Targeting Age-Related Differences in Brain and Cognition with Multimodal Imaging and Connectome Topography Profiling
Notice bibliographique
Résumé
I. A bstract Aging is characterised by accumulation of structural and metabolic changes in the brain. Recent studies suggest transmodal brain networks are especially sensitive to aging, which, we hypothesise, may be due to their apical position in the cortical hierarchy. Studying an open-access healthy cohort (n=102, age range = 30-89 years) with MRI and Aβ PET data, we estimated age-related cortical thinning, hippocampal atrophy and Aβ deposition. In addition to carrying out surface-based morphological and metabolic mapping, we stratified effects along neocortical and hippocampal resting-state functional connectome gradients derived from independent datasets. The cortical gradient depicts an axis of functional differentiation from sensory-motor regions to transmodal regions, whereas the hippocampal gradient recapitulates its long-axis. While age-related thinning and increased Aβ deposition occurred across the entire cortical topography, increased Aβ deposition was especially pronounced towards higher-order transmodal regions. Age-related atrophy was greater towards the posterior end of the hippocampal long-axis. No significant effect of age on Aβ deposition in the hippocampus was observed. Imaging markers correlated with behavioural measures of fluid intelligence and episodic memory in a topography-specific manner. Our results strengthen existing evidence of structural and metabolic change in the aging brain and support the use of connectivity gradients as a compact framework to analyse and conceptualize brain-based biomarkers of aging.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».