Disentangling disease heterogeneity from neuroimaging data via adaptive distribution modeling–based collaborative clustering
Notice bibliographique
Résumé
Abstract Background Neurodegenerative diseases, including Parkinson’s disease (PD), are clinically heterogeneous, with distinct subtypes encompassed within the same clinical diagnosis. Heterogeneity in brain diseases makes it challenging to recruit ideal patients into trials for suitable treatment or develop markers that capture the disease’s signals. Data‐driven clustering coupled with high dimensional neuroimaging data could further our understanding of heterogeneous disease biology and assigning specific patients groups to individualized treatments. Method We propose an Adaptive Distribution based COllaborative Clustering (ADCoC) method, which simultaneously clusters subjects and features via nonnegative matrix tri‐factorization. For denoising, we further introduce adaptive regularization based on coefficient distribution modeling. Unlike related sparsity techniques [1], we form the distributions using the data of interest to better fit the coefficients. We studied structural MRI data from 170 PD patients and 77 healthy controls enrolled in the Parkinson Progression Markers Initiative (PPMI). ADCoC partitioned the patients into 2 clusters. We compared the distribution of ICV normalized grey matter volumes in different regions between the two patient clusters and the healthy control group by student’s t‐test. Then we analyzed neuropsychological test data to compare the cognitive performance of the two patient clusters and the control group. Result Test statistic values of regions with FDR corrected p‐values smaller than 0.05 are plotted in Figure 1. Comparisons with the healthy control group show that PD cluster PD‐Post (54.7% of the PD samples) is characterized by a posterior cortical‐medial temporal atrophy pattern with worse cognition compared to PD cluster PD‐Front which had atrophy circumscribed to the frontal lobe areas. Analysis of neuropsychological test data further demonstrates that these MRI‐defined patient subtypes also show differences in clinical presentation, where PD‐Post show statistically significant lower cognitive performance compared to PD‐Front (Montreal Cognitive Assessment [MoCA] scores: 27.1 ± 2.4 [PD‐Post] vs 27.9 ± 1.7 [PD‐Front], p = 0.014). Conclusion When applied to a clinical dataset of MRI data from PD patients, ADCoC identified two stable and highly reproducible patient clusters characterized by frontal and posterior cortical‐medial temporal atrophy patterns. References: [1] H. Liu et al., "Adaptive sparsity regularization based collaborative clustering for cancer prognosis," MICCAI'19.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».