P1‐147: Spatial distribution of white matter hyperintensities in elderly individuals
Notice bibliographique
Résumé
White matter hyperintensities (WMHs) are lesions in the white matter tissue of the brain seen in normal aging as well as in patients with Alzheimer's disease (AD), and other dementias. Age is a strong predictor of WMH load (Au et al. 2006) and impacts cognition of otherwise healthy elderly people as well as patients with MCI and dementia (Yoshita et al. 2005). We wished to investigate the spatial distribution of WMHs in the brain. We used two data sets: (1) 120 normal control (NC) adults at risk of AD aged 55 years or older from PREVENT-AD, a longitudinal cohort study of healthy persons with a parental history of AD dementia which had T1-w, T2*, and FLAIR MRI; (2) 80 elderly individuals 70-90 years of age with normal cognition, mild cognitive impairment (MCI), or dementia, with T1-w, double-echo PD/T2-w, and FLAIR scans at enrollment at the University of California, Davis Alzheimer's Disease Center (ADC). The WMHs were segmented using our validated automatic linear regression WMH classifier (Dadar, AAIC 2015, submitted). In short, after preprocessing (image intensity non-uniformity correction and normalization, co-registration of T2*, T2-w, PD and FLAIR images to the T1-w, and non-linear registration to an average ADNI AD template), 17 features are used to segment WMHs. Using the automatic segmentations, average maps of WMH loads were calculated for each population separately. Figure 1 shows 12 transverse slices of the average WMH maps for the entire PREVENT-AD and ADC populations overlapped on the ADNI template.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».