Atrophy-centered subtyping of mild cognitive impairment
Notice bibliographique
Résumé
Abstract Mild cognitive impairment (MCI) is considered as the transitional phase between normal cognitive aging and Alzheimer’s disease (AD). Nevertheless, trajectories of cognitive decline vary considerably among individuals with MCI. To address this heterogeneity, subtyping approaches have been developed, with the objective of identifying more homogenous subgroups and ultimately improving prognostic outcomes. To date, subtyping of MCI has been based primarily on cognitive performance measures, often resulting in indistinct boundaries between the proposed subgroups and limited validity. The degree to which markers of neurodegeneration such as brain atrophy can be used to subtype MCI into biologically and clinically meaningful subgroups remains unclear. Here we introduce and validate a data-driven subtyping method for MCI based solely upon measures of atrophy derived from structural magnetic resonance imaging (MRI). We trained a dense convolutional neural network to differentiate between patients with AD and age-matched cognitively normal (CN) subjects based on whole brain MRI features. We then deployed the trained model to classify individuals with MCI, as MCI-CN or MCI-AD, based on the degree to which their whole brain gray matter volume resembles CN-like or AD-like patterns. We subsequently validated the model-based subgroups using cognitive, clinical, fluid biomarker, and molecular neuroimaging data. Namely, we observed marked differences between the MCI-CN and MCI-AD groups in baseline and longitudinal cognitive and clinical rating scales, disease-free survival, cerebrospinal fluid (CSF) levels of amyloid beta and tau, fluorodeoxyglucose (FDG) and amyloid PET. Overall, the results suggest that patterns of atrophy in MCI are sufficiently distinct and heterogeneous, and can thus be used to subtype individuals into biologically and clinically meaningful subgroups.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 ».