A Novel Metabolic Connectome Method to Predict Progression to Mild Cognitive Impairment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Glucose-based positron emission tomography (PET) imaging has been widely used to predict the progression of mild cognitive impairment (MCI) into Alzheimer's disease (AD) clinically. However, existing discriminant methods are unsubtle to reveal pathophysiological changes. Therefore, we present a novel metabolic connectome-based predictive modeling to predict progression from MCI to AD accurately. METHODS: In this study, we acquired fluorodeoxyglucose PET images and clinical assessments from 420 MCI patients with 36 months follow-up. Individual metabolic network based on connectome analysis was constructed, and the metabolic connectivity in this network was extracted as predictive features. Three different classification strategies were implemented to interrogate the predictive performance. To verify the effectivity of selected features, specific brain regions associated with MCI conversion were identified based on these features and compared with prior knowledge. RESULTS: As a result, 4005 connectome features were obtained, and 153 in which were selected as efficient features. Our proposed feature extraction method had achieved 85.2% accuracy for MCI conversion prediction (sensitivity: 88.1%; specificity: 81.2%; and AUC: 0.933). The discriminative brain regions associated with MCI conversion were mainly located in the precentral gyrus, precuneus, lingual, and inferior frontal gyrus. CONCLUSION: Overall, the results suggest that our proposed individual metabolic connectome method has great potential to predict whether MCI patients will progress to AD. The metabolic connectome may help to identify brain metabolic dysfunction and build a clinically applicable biomarker to predict the MCI progression.
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.
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) | 0,001 | 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 | 0,000 |
| 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 découle