Diffusion tensor imaging of the corpus callosum in healthy aging: Investigating higher order polynomial regression modelling
Notice bibliographique
Résumé
Previous diffusion tensor imaging (DTI) studies confirmed the vulnerability of corpus callosum (CC) fibers to aging. However, most studies employed lower order regressions to study the relationship between age and white matter microstructure. The present study investigated whether higher order polynomial regression modelling can better describe the relationship between age and CC DTI metrics compared to lower order models in 140 healthy participants (ages 18-85). The CC was found to be non-uniformly affected by aging, with accelerated and earlier degradation occurring in anterior portion; callosal volume, fiber count, fiber length, mean fibers per voxel, and FA decreased with age while mean, axial, and radial diffusivities increased. Half of the parameters studied also displayed significant age-sex interaction or intracranial volume effects. Higher order models were chosen as the best fit, based on Bayesian Information Criterion minimization, in 16 out of 23 significant cases when describing the relationship between DTI measurements and age. Higher order model fits provided different estimations of aging trajectory peaks and decline onsets than lower order models; however, a likelihood ratio test found that higher order regressions generally did not fit the data significantly better than lower order polynomial or linear models. The results contrast the modelling approaches and highlight the importance of using higher order polynomial regression modelling when investigating associations between age and CC white matter microstructure.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».