Data‐driven staging of genetic frontotemporal dementia using multi‐modal <scp>MRI</scp>
Notice bibliographique
Résumé
Frontotemporal dementia in genetic forms is highly heterogeneous and begins many years to prior symptom onset, complicating disease understanding and treatment development. Unifying methods to stage the disease during both the presymptomatic and symptomatic phases are needed for the development of clinical trials outcomes. Here we used the contrastive trajectory inference (cTI), an unsupervised machine learning algorithm that analyzes temporal patterns in high-dimensional large-scale population datasets to obtain individual scores of disease stage. We used cross-sectional MRI data (gray matter density, T1/T2 ratio as a proxy for myelin content, resting-state functional amplitude, gray matter fractional anisotropy, and mean diffusivity) from 383 gene carriers (269 presymptomatic and 115 symptomatic) and a control group of 253 noncarriers in the Genetic Frontotemporal Dementia Initiative. We compared the cTI-obtained disease scores to the estimated years to onset (age-mean age of onset in relatives), clinical, and neuropsychological test scores. The cTI based disease scores were correlated with all clinical and neuropsychological tests (measuring behavioral symptoms, attention, memory, language, and executive functions), with the highest contribution coming from mean diffusivity. Mean cTI scores were higher in the presymptomatic carriers than controls, indicating that the method may capture subtle pre-dementia cerebral changes, although this change was not replicated in a subset of subjects with complete data. This study provides a proof of concept that cTI can identify data-driven disease stages in a heterogeneous sample combining different mutations and disease stages of genetic FTD using only MRI metrics.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 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 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 ».