Data-driven FDG-PET subtypes of Alzheimer’s disease-related neurodegeneration
Notice bibliographique
Résumé
BACKGROUND: Previous research has described distinct subtypes of Alzheimer's disease (AD) based on the differences in regional patterns of brain atrophy on MRI. We conducted a data-driven exploration of distinct AD neurodegeneration subtypes using FDG-PET as a sensitive molecular imaging marker of neurodegenerative processes. METHODS: Hierarchical clustering of voxel-wise FDG-PET data from 177 amyloid-positive patients with AD dementia enrolled in the Alzheimer's Disease Neuroimaging Initiative (ADNI) was used to identify distinct hypometabolic subtypes of AD, which were then further characterized with respect to clinical and biomarker characteristics. We then classified FDG-PET scans of 217 amyloid-positive patients with mild cognitive impairment ("prodromal AD") according to the identified subtypes and studied their domain-specific cognitive trajectories and progression to dementia over a follow-up interval of up to 72 months. RESULTS: Three main hypometabolic subtypes were identified: (i) "typical" (48.6%), showing a classic posterior temporo-parietal hypometabolic pattern; (ii) "limbic-predominant" (44.6%), characterized by old age and a memory-predominant cognitive profile; and (iii) a relatively rare "cortical-predominant" subtype (6.8%) characterized by younger age and more severe executive dysfunction. Subtypes classified in the prodromal AD sample demonstrated similar subtype characteristics as in the AD dementia sample and further showed differential courses of cognitive decline. CONCLUSIONS: These findings complement recent research efforts on MRI-based identification of distinct AD atrophy subtypes and may provide a potentially more sensitive molecular imaging tool for early detection and characterization of AD-related neurodegeneration variants at prodromal disease stages.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».