Brain network construction and analysis for patients with mild cognitive impairment and Alzheimer's disease based on a highly‐available nodes approach
Notice bibliographique
Résumé
INTRODUCTION: Using brain network and graph theory methods to analyze the Alzheimer's disease (AD) and mild cognitive impairment (MCI) abnormal brain function is more and more popular. Plenty of potential methods have been proposed, but the representative signal of each brain region in these methods remains poor performance. METHODS: We propose a highly-available nodes approach for constructing brain network of patients with MCI and AD. With resting-state functional magnetic resonance imaging (rs-fMRI) data of 84 AD subjects, 81 MCI subjects, and 82 normal control (NC) subjects from the Alzheimer's Disease Neuroimaging Initiative Database, we construct connected weighted brain networks based on the different sparsity and minimum spanning tree. Support Vector Machine of Radial Basis Function kernel was selected as classifier. RESULTS: Accuracies of 74.09% and 77.58% in classification of MCI and AD from NC, respectively. We also performed a hub node analysis and found 18 significant brain regions were identified as hub nodes. CONCLUSIONS: The findings of this study provide insights for helping understanding the progress of the AD. The proposed method highlights the effectively representative time series of brain regions of rs-fMRI data for construction and topology analysis brain network.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».