MétaCan
Menu
Retour à la cohorte
Enregistrement W4225585094 · doi:10.3389/fnagi.2022.793991

Analysis of Brain Structural Connectivity Networks and White Matter Integrity in Patients With Mild Cognitive Impairment

2022· article· en· W4225585094 sur OpenAlexaboutno aff
Maurizio Bergamino, Simona Schiavi, Alessandro Daducci, Ryan R. Walsh, Ashley M. Stokes

Notice bibliographique

RevueFrontiers in Aging Neuroscience · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvanced Neuroimaging Techniques and Applications
Établissements canadiensnon disponible
Organismes subventionnairesAlzheimer's Disease Neuroimaging Initiative
Mots-clésWhite matterDiffusion MRICognitive impairmentCognitionMontreal Cognitive AssessmentNeurosciencePsychologyEffects of sleep deprivation on cognitive performanceCohortCognitive declineMagnetic resonance imagingInternal medicineMedicineAudiologyDementiaDiseaseRadiology

Résumé

récupéré en direct d'OpenAlex

White matter integrity and structural connectivity may be altered in mild cognitive impairment (MCI), and these changes may closely reflect decline in specific cognitive domains. Multi-shell diffusion data in healthy control (HC, n = 31) and mild cognitive impairment (MCI, n = 19) cohorts were downloaded from the ADNI3 database. The data were analyzed using an advanced approach to assess both white matter microstructural integrity and structural connectivity. Compared with HC, lower intracellular compartment (IC) and higher isotropic (ISO) values were found in MCI. Additionally, significant correlations were found between IC and Montreal Cognitive Assessment (MoCA) scores in the MCI cohort. Network analysis detected structural connectivity differences between the two groups, with lower connectivity in MCI. Additionally, significant differences between HC and MCI were observed for global network efficiency. Our results demonstrate the potential of advanced diffusion MRI biomarkers for understanding brain changes in MCI.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,294
Écart entre enseignants0,277 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Aging NeuroscienceMême sujetAdvanced Neuroimaging Techniques and ApplicationsTravaux en français237 207