Data‐driven staging and subtyping of genetic frontotemporal dementia using multi‐modal MRI
Notice bibliographique
Résumé
Abstract Background Frontotemporal dementia is a highly heterogeneous disorder and neurodegeneration begins years prior to symptom onset, complicating disease understanding and treatment. Here we used an unsupervised machine learning algorithm to identify disease sub‐trajectories in genetic frontotemporal dementia. Method The contrastive trajectory inference (cTI, available at neuropm‐lab.com/neuropm‐box.html ) is a method to analyze temporal patterns in multi‐dimensional populational datasets, consisting of unsupervised feature selection, contrastive prinicipal component analysis and subject ordering to obtain individual disease severity scores and distinct subtypes. We applied the cTI to cross‐sectional MRI data (gray matter density, T1/T2 ratio, fALFF, gray matter fractional ansiotrophy and mean diffusivity) from 383 gene carriers (269 presymptomatic and 115 symptomatic) from the GENFI study (148 with C9orf72 expansions, 169 with GRN mutations, and 67 with MAPT mutations) and a control group of 253 non‐carriers. The cTI was applied to all modalities in combination and individually. We compared the obtained disease severity scores to the estimated years to onset (EYO; age ‐ mean age of onset in relatives), clinical, and neuropsychological test scores. cTI subtypes were compared to genetic variants, as gene variants have specific pathology and group‐level differences in neuroimaging. Result The cTI identified disease severity scores were significantly correlated with all clinical and neuropsychiatric tests (measuring behavioural symptoms, attention, memory, language, and executive function) for all modalities, in combination and individually, and for the EYO for all modalities except mean diffusivity. The combination of all modalities provided the best overall results (CBI: r = 0.581, p < 0.001; EYO: r = 0.321, p < 0.001) (figure 1). Among individual modalities, gray matter density performed best (CBI: r = 0.475, p < 0.001; EYO: r = 0.286, p < 0.001). The cTI did not recover the three genetic variants, instead assigning most gene carriers (> 80%) to subtype 1 (figure 2). The cTI distinguished non‐carriers from carriers (87% of non‐carriers are in subtype 2). Conclusion The cTI can identify disease severity in a heterogeneous sample of genetic FTD using only neuroimaging metrics. It is unable to uncover genetic variants, suggesting that genetic variants may have similar neuroimaging features at early presymptomatic 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 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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| 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 | 0,000 |
| 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 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 ».