Subtyping mild cognitive impairment based on imaging and CSF biomarker levels
Notice bibliographique
Résumé
Abstract Background Individuals with mild cognitive impairment (MCI) have variable clinical outcomes, with a proportion converting to dementia in a short follow‐up period. Subtyping MCI subjects based on biomarker levels can provide additional insights on why some individuals progress faster, aiding clinical treatment strategy and facilitating cohort enrichment for clinical trials. Method Data included 562 individuals with MCI from the Alzheimer's Disease Neuroimaging Initiative (ADNI) project with baseline MRI, CSF amyloid beta (Aβ), t‐tau, and p‐tau data and a minimum of one‐year follow‐up information on clinical diagnosis. White matter hyperintensities (WMHs) were segmented using a previously validated random forests classifier (Dadar et al. 2017). SNIPE (Scoring by Nonlocal Image Patch Estimator) was used to measure Alzheimer’s‐disease‐like atrophy patterns in the hippocampi (HC) and entorhinal cortex (EC) (Coupé et al. 2019). CSF Aβ, p‐tau and t‐tau levels were obtained from project files. Agglomerative hierarchical clustering as used to cluster the data based on baseline age, education, APOE4 status, CSF Aβ, p‐tau and t‐tau levels, WMH load, and HC and EC grading scores. We then investigated differences in baseline ADAS13 cognitive scores as well as rate of conversion to dementia between different subtypes. Result Figure 1 shows the clustering dendrogram, splitting the data into three subtypes of 152, 200, and 210 participants, respectively. Figure 2 compares biomarker values across subtypes. Baseline ADAS13 scores and conversion rates were significantly different across all subtypes (p<0.0001). Subtype 1 had the oldest subjects with largest WMH loads (p<0.0001), with a conversion rate of 30.2%. Subtype 2 had the highest conversion rate (70.0%), with significantly lower CSF Aβ and EC grading scores, and higher CSF p‐tau and t‐tau values (p<0.0001). Subtype 3 had the lowest conversion rate (15.2%), with significantly higher HC and EC grading scores and lower age and WMH loads than the other two subtypes (p<0.0001). Conclusion Biomarker‐based subtyping of MCI subjects led to three distinct groups with significantly different clinical outcomes: 1) older individuals with cerebrovascular pathology and moderate conversion rates, 2) individuals with abnormal CSF biomarker levels, hippocampal and entorhinal atrophy, and high conversion rates, and 3) younger individuals without abnormal biomarker levels and low conversion rates.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».