Data-Driven Analyses of Longitudinal Hippocampal Imaging Trajectories: Discrimination and Biomarker Prediction of Change Classes
Notice bibliographique
Résumé
BACKGROUND: Hippocampal atrophy is a well-known biomarker of neurodegeneration, such as that observed in Alzheimer's disease (AD). Although distributions of hippocampal volume trajectories for asymptomatic individuals often reveal substantial heterogeneity, it is unclear whether interpretable trajectory classes can be objectively detected and used for prediction analyses. OBJECTIVE: To detect and predict hippocampal trajectory classes in a computationally competitive context using established AD-related risk factors/biomarkers. METHODS: We used biomarker/risk factor and longitudinal MRI data in asymptomatic adults from the AD Neuroimaging Initiative (n = 351; Mean = 75 years; 48.7% female). First, we applied latent class growth analyses to left (LHC) and right (RHC) hippocampal trajectory distributions to identify distinct classes. Second, using random forest analyses, we tested 38 multi-modal biomarkers/risk factors for their relative importance in discriminating the lower (potentially elevated atrophy risk) from the higher (potentially reduced risk) class. RESULTS: For both LHC and RHC trajectory distribution analyses, we observed three distinct trajectory classes. Three biomarkers/risk factors predicted membership in LHC and RHC lower classes: male sex, higher education, and lower plasma Aβ1-42. Four additional factors selectively predicted membership in the lower LHC class: lower plasma tau and Aβ1-40, higher depressive symptomology, and lower body mass index. CONCLUSION: Data-driven analyses of LHC and RHC trajectories detected three classes underlying the heterogeneous distributions. Machine learning analyses determined three common and four unique biomarkers/risk factors discriminating the higher and lower LHC/RHC classes. Our sequential analytic approach produced evidence that the dynamics of preclinical hippocampal trajectories can be predicted by AD-related biomarkers/risk factors from multiple modalities.
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 | 0,013 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».