Multimodal fusion analysis of functional, cerebrovascular and structural neuroimaging in healthy aging subjects
Notice bibliographique
Résumé
Brain aging is a complex process that requires a multimodal approach. Neuroimaging can provide insights into brain morphology, functional organization, and vascular dynamics. However, most neuroimaging studies of aging have focused on each imaging modality separately, limiting the understanding of interrelations between processes identified by different modalities and their relevance to cognitive decline in aging. Here, we used a data-driven multimodal approach, linked independent component analysis (ICA), to jointly analyze magnetic resonance imaging (MRI) of grey matter volume, cerebrovascular, and functional network topographies in relation to measures of fluid intelligence. Neuroimaging and cognitive data from the Cambridge Centre for Ageing and Neuroscience study were used, with healthy participants aged 18-88 years (main dataset n = 215 and secondary dataset n = 433). Using linked ICA, functional network activities were characterized in independent components but not captured in the same component as structural and cerebrovascular patterns. Split-sample (n = 108/107) and out-of-sample (n = 433) validation analyses using linked ICA were also performed. Global grey matter volume with regional cerebrovascular changes and the right frontoparietal network activity were correlated with age-related and individual differences in fluid intelligence. This study presents the insights from linked ICA to bring together measurements from multiple imaging modalities, with independent and additive information. We propose that integrating multiple neuroimaging modalities allows better characterization of brain pattern variability and changes associated with healthy 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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».