Data‐driven approaches for tau‐PET imaging biomarkers in Alzheimer's disease
Notice bibliographique
Résumé
Abstract Previous positron emission tomography (PET) studies have quantified filamentous tau pathology using regions‐of‐interest (ROIs) based on observations of the topographical distribution of neurofibrillary tangles in post‐mortem tissue. However, such approaches may not take full advantage of information contained in neuroimaging data. The present study employs an unsupervised data‐driven method to identify spatial patterns of tau‐PET distribution, and to compare these patterns to previously published “pathology‐driven” ROIs. Tau‐PET patterns were identified from a discovery sample comprised of 123 normal controls and patients with mild cognitive impairment or Alzheimer's disease (AD) dementia from the Swedish BioFINDER cohort, who underwent [ 18 F]AV1451 PET scanning. Associations with cognition were tested in a separate sample of 90 individuals from ADNI. BioFINDER [ 18 F]AV1451 images were entered into a robust voxelwise stable clustering algorithm, which resulted in five clusters. Mean [ 18 F]AV1451 uptake in the data‐driven clusters, and in 35 previously published pathology‐driven ROIs, was extracted from ADNI [ 18 F]AV1451 scans. We performed linear models comparing [ 18 F]AV1451 signal across all 40 ROIs to tests of global cognition and episodic memory, adjusting for age, sex, and education. Two data‐driven ROIs consistently demonstrated the strongest or near‐strongest effect sizes across all cognitive tests. Inputting all regions plus demographics into a feature selection routine resulted in selection of two ROIs (one data‐driven, one pathology‐driven) and education, which together explained 28% of the variance of a global cognitive composite score. Our findings suggest that [ 18 F]AV1451‐PET data naturally clusters into spatial patterns that are biologically meaningful and that may offer advantages as clinical tools.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».