Denoising Approach Affects Diagnostic Differences in Brain Connectivity across the Alzheimer’s Disease Continuum
Notice bibliographique
Résumé
Abstract Graph theory provides a promising technique to investigate Alzheimer’s disease (AD)-related alterations in brain connectivity. However, discrepancies exist in the reported disruptions that occur to network topology across the AD continuum, which may be attributed to differences in the denoising approach used in fMRI processing to remove the effect of non-neuronal sources from signal. The current study aimed to determine if diagnostic differences in graph metrics were dependent on nuisance regression strategy. Sixty cognitively normal (CN), 60 MCI, and 40 AD matched for age, sex, and motion, were selected from the ADNI database for analysis. Resting state images were preprocessed using AFNI (v21.2.04) and 16 nuisance regression approaches were employed, which included the unique combination of four nuisance regressors (derivatives of the realignment parameters, motion censoring [euclidean norm > 0.3mm], outlier censoring [outlier fraction > .10], bandpass filtering [0.01 - 0.1 Hz]). Graph metrics representing network segregation (clustering coefficient, local efficiency, modularity), network integration (largest connected component, path length, local efficiency), and small-worldness (clustering coefficient/path length) were calculated. The results showed a significant interaction between diagnosis and nuisance approach on path length, such that diagnostic differences were only evident when motion derivatives and censoring of both motion and outlier volumes were applied. Further, regardless of the denoising approach, AD patients exhibited less segregated networks and lower small-worldness than CN and MCI. Finally, independent of diagnosis, denoising strategy significantly affected the magnitude of nearly all metrics (except local efficiency), such that models including bandpass filtering had higher graph metrics than those without. These findings suggest the relative robustness of network segregation and small-worldness properties to denoising strategy. However, caution should be taken when interpreting path length findings across studies, as subtle variations in regression approach may account for discrepancies. Continued efforts should be taken towards harmonizing preprocessing pipelines across studies to aid replication efforts and build consensus towards understanding the mechanisms underlying pathological aging.
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 | 0,002 | 0,008 |
| 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 ».