Dynamic Graph Theoretical Analysis of Functional Connectivity in Parkinson's Disease: The Importance of Fiedler Value
Notice bibliographique
Résumé
Graph theoretical analysis is a powerful tool for quantitatively evaluating brain connectivity networks. Conventionally, brain connectivity is assumed to be temporally stationary, whereas increasing evidence suggests that functional connectivity exhibits temporal variations during dynamic brain activity. Although a number of methods have been developed to estimate time-dependent brain connectivity, there is a paucity of studies examining the utility of brain dynamics for assessing brain disease states. Therefore, this paper aims to assess brain connectivity dynamics in Parkinson's disease (PD) and determine the utility of such dynamic graph measures as potential components to an imaging biomarker. Resting-state functional magnetic resonance imaging data were collected from 29 healthy controls and 69 PD subjects. Time-varying functional connectivity was first estimated using a sliding windowed sparse inverse covariance matrix. Then, a collection of graph measures, including the Fiedler value, were computed and the dynamics of the graph measures were investigated. The results demonstrated that PD subjects had a lower variability in the Fiedler value, modularity, and global efficiency, indicating both abnormal dynamic global integration and local segregation of brain networks in PD. Autoregressive models fitted to the dynamic graph measures suggested that Fiedler value, characteristic path length, global efficiency, and modularity were all less deterministic in PD. With canonical correlation analysis, the altered dynamics of functional connectivity networks, and particularly dynamic Fiedler value, were shown to be related with disease severity and other clinical variables including age. Similarly, Fiedler value was the most important feature for classification. Collectively, our findings demonstrate altered dynamic graph properties, and in particular the Fiedler value, provide an additional dimension upon which to non-invasively and quantitatively assess PD.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».