Multimodal Phenotyping of Alzheimer’s Disease with Longitudinal Magnetic Resonance Imaging and Cognitive Function Data
Notice bibliographique
Résumé
Alzheimer's disease (AD) varies a great deal cognitively regarding symptoms, test findings, the rate of progression, and neuroradiologically in terms of atrophy on magnetic resonance imaging (MRI). We hypothesized that an unbiased analysis of the progression of AD, regarding clinical and MRI features, will reveal a number of AD phenotypes. Our objective is to develop and use a computational method for multi-modal analysis of changes in cognitive scores and MRI volumes to test for there being multiple AD phenotypes. In this retrospective cohort study with a total of 857 subjects from the AD (n = 213), MCI (n = 322), and control (CN, n = 322) groups, we used structural MRI data and neuropsychological assessments to develop a novel computational phenotyping method that groups brain regions from MRI and subsets of neuropsychological assessments in a non-biased fashion. The phenotyping method was built based on coupled nonnegative matrix factorization (C-NMF). As a result, the computational phenotyping method found four phenotypes with different combination and progression of neuropsychologic and neuroradiologic features. Identifying distinct AD phenotypes here could help explain why only a subset of AD patients typically respond to any single treatment. This, in turn, will help us target treatments more specifically to certain responsive phenotypes.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».