Structural Network Analysis Using Diffusion MRI Tractography in Parkinson's Disease and Correlations With Motor Impairment
Notice bibliographique
Résumé
Functional impairment of spatially distributed brain regions in Parkinson's disease (PD) suggests changes in integrative and segregative network characteristics, for which novel analysis methods are available. To assess underlying structural network differences between PD patients and controls, we employed MRI T1 gray matter segmentation and diffusion MRI tractography to construct connectivity matrices to compare patients and controls with data originating from two different centers. In the Dutch dataset (Data-NL), 14 PD patients, and 15 healthy controls were analyzed, while 19 patients and 18 controls were included in the Canadian dataset (Data-CA). All subjects underwent T1 and diffusion-weighted MRI. Patients were assessed with Part 3 of the Unified Parkinson's Disease Rating Scale (UPDRS). T1 images were segmented using FreeSurfer, while tractography was performed using ExploreDTI. The regions of interest from the FreeSurfer segmentation were combined with the white matter streamline sets resulting from the tractography, to construct connectivity matrices. From these matrices, both global and local efficiencies were calculated, which were compared between the PD and control groups and related to the UPDRS motor scores. The connectivity matrices showed consistent patterns among the four groups, without significant differences between PD patients and control subjects, either in Data-NL or in Data-CA. In Data-NL, however, global and local efficiencies correlated negatively with UPDRS scores at both the whole-brain and the nodal levels [false discovery rate (FDR) 0.05]. At the nodal level, particularly, the posterior parietal cortex showed a negative correlation between UPDRS and local efficiency, while global efficiency correlated negatively with the UPDRS in the sensorimotor cortex. The spatial patterns of negative correlations between UPDRS and parameters for network efficiency seen in Data-NL suggest subtle structural differences in PD that were below sensitivity thresholds in Data-CA. These correlations are in line with previously described functional differences. The methodological approaches to detect such differences are discussed.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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) | 0,001 | 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 ».