Profiling heterogeneity of Alzheimer's disease using white-matter impairment factors
Notice bibliographique
Résumé
The clinical presentation of Alzheimer's disease (AD) is not unitary as heterogeneity exists in the disease's clinical and anatomical characteristics. MRI studies have revealed that heterogeneous gray matter atrophy patterns are associated with specific traits of cognitive decline. Although white matter (WM) impairment also contributes to AD pathology, its heterogeneity remains unclear. The Latent Dirichlet Allocation (LDA) method is a suitable framework to study heterogeneity and allows to identify latent impairment factors of AD instead of simply mapping an overall disease effect. By exploring whole brain WM skeleton images by using LDA, three latent factors were revealed in AD: a temporal-frontal impairment factor (temporal and frontal lobes, especially hippocampus and para-hippocampus), a parietal factor (parietal lobe, especially precuneus), and a long fibre bundle factor (corpus callosum and superior longitudinal fasciculus). As revealed by longitudinal analysis, the latent factors have distinct impact on cognitive decline: for executive function (EF), the temporal-frontal factor was more strongly associated with baseline EF compared with the parietal factor, while the long-fibre bundle factor was most associated with decline rate of EF; for memory, the three factors showed almost equal effect on the baseline memory and decline rate. For each participant, LDA estimates his/her composition profile of latent impairment factors, which indicates disease subtype. We also found that the APOE genotype affects the AD subtype. Specifically, APOE ε4 was more associated with the long fibre bundle factor and APOE ε2 was more associated with temporal-frontal factor. By investigating heterogeneity and subtypes of AD through white matter impairment factors, our study could facilitate precision medicine.
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 | 0,000 | 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 ».