Joint Pairing and Structured Mapping of Convolutional Brain Morphological Multiplexes for Early Dementia Diagnosis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Diagnosis of brain dementia, particularly early mild cognitive impairment (eMCI), is critical for early intervention to prevent the onset of Alzheimer's disease, where cognitive decline is severe and irreversible. There is a large body of machine-learning-based research investigating how dementia alters brain connectivity, mainly using structural (derived from diffusion magnetic resonance imaging [MRI]) and functional (derived from resting-state functional MRI) brain connectomic data. However, how early dementia affects cortical brain connections in morphology remains largely unexplored. To fill this gap, we propose a joint morphological brain multiplexes pairing and mapping strategy for eMCI detection, where a brain multiplex not only encodes the relationship in morphology between pairs of brain regions but also a pair of brain morphological networks. Experimental results confirm that the proposed framework outperforms in classification accuracy several state-of-the-art methods. More importantly, we unprecedentedly identified most discriminative brain morphological networks between eMCI and normal control (NC), which included the paired views derived from maximum principal curvature and the sulcal depth for the left hemisphere, and sulcal depth and the average curvature for the right hemisphere. We also identified the most highly correlated morphological brain connections in our cohort, which included the pericalcarine cortex and insula cortex on the maximum principal curvature view, entorhinal cortex and insula cortex on the mean sulcal depth view, and entorhinal cortex and pericalcarine cortex on the mean average curvature view for both hemispheres. These highly correlated morphological connections might serve as biomarkers for eMCI diagnosis.
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.
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 | 0,051 |
| 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 | 0,001 | 0,001 |
| 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 découle