Metabolic Brain Network Analysis of FDG-PET in Alzheimer’s Disease Using Kernel-Based Persistent Features
Notice bibliographique
Résumé
Recent research of persistent homology in algebraic topology has shown that the altered network organization of human brain provides a promising indicator of many neuropsychiatric disorders and neurodegenerative diseases. However, the current slope-based approach may not accurately characterize changes of persistent features over graph filtration because such curves are not strictly linear. Moreover, our previous integrated persistent feature (IPF) works well on an rs-fMRI cohort while it has not yet been studied on metabolic brain networks. To address these issues, we propose a novel univariate network measurement, kernel-based IPF (KBI), based on the prior IPF, to quantify the difference between IPF curves. In our experiments, we apply the KBI index to study fluorodeoxyglucose positron emission tomography (FDG-PET) imaging data from 140 subjects with Alzheimer's disease (AD), 280 subjects with mild cognitive impairment (MCI), and 280 healthy normal controls (NC). The results show the disruption of network integration in the progress of AD. Compared to previous persistent homology-based measures, as well as other standard graph-based measures that characterize small-world organization and modular structure, our proposed network index KBI possesses more significant group difference and better classification performance, suggesting that it may be used as an effective preclinical AD imaging biomarker.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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) | 0,001 | 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 ».