Large-scale functional connectivity predicts cognitive impairment related to type 2 diabetes mellitus
Notice bibliographique
Résumé
BACKGROUND: Large-scale functional connectivity (LSFC) patterns in the brain have unique intrinsic characteristics. Abnormal LSFC patterns have been found in patients with dementia, as well as in those with mild cognitive impairment (MCI), and these patterns predicted their cognitive performance. It has been reported that patients with type 2 diabetes mellitus (T2DM) may develop MCI that could progress to dementia. We investigated whether we could adopt LSFC patterns as discriminative features to predict the cognitive function of patients with T2DM, using connectome-based predictive modeling (CPM) and a support vector machine. AIM: To investigate the utility of LSFC for predicting cognitive impairment related to T2DM more accurately and reliably. METHODS: = 26) of MCI. Brain regions were marked using Harvard Oxford (HOA-112), automated anatomical labeling (AAL-116), and 264-region functional (Power-264) atlases. LSFC biomarkers for predicting MoCA scores were identified using a new CPM technique. Subsequently, we used a support vector machine based on LSFC patterns for among-group differentiation. The area under the receiver operating characteristic curve determined the appearance of the classification. RESULTS: T2DM-C group) were 0.65-0.70, with LSFC matrices based on HOA-112 and Power-264 atlases having the highest value (0.70). Most discriminative and attractive LSFCs were related to the default mode network, limbic system, and basal ganglia. CONCLUSION: LSFC provides neuroimaging-based information that may be useful in detecting MCI early and accurately in patients with T2DM.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».