The microstructural abnormalities of cingulum was related to patients with mild cognitive impairment: a diffusion kurtosis imaging study
Notice bibliographique
Résumé
OBJECTIVE: Our study aimed to investigate the correlations between microstructural changes of cingulum and patients with mild cognitive impairment (MCI) by diffusion kurtosis imaging (DKI) technique. METHOD: A total of 104 patients with cerebral small vessel diseases (cSVD) were retrospectively enrolled in this study. According to Montreal Cognitive Assessment Scale (MoCA) scores, these patients were divided into MCI group (n = 59) and non-MCI group (n = 45). The general clinical data was collected and analyzed. The regions of interests (ROIs) were selected for investigation in cingulum. The values of DKI parameters were measured in each ROI and compared between the two groups, the correlations between DKI parameters and MoCA scores were examined. RESULTS: Compared to non-MCI group, MCI patients had more severe white matter hyperintensities (WMHs) (P = 0.038) and lower MoCA scores (P < 0.01). MCI patients showed significantly decreased fractional anisotropy (FA), axial kurtosis (AK), mean kurtosis (MK), radial kurtosis (RK), and kurtosis fractional anisotropy (KFA) in the left cingulum in the cingulated cortex (CgC) region (all P < 0.0125). In the left CgC region, FA, AK, MK, RK, and KFA were positively correlated with MoCA scores (r = 0.348, 0.409, 0.310, 0.441, 0.422, all P < 0.001). Meanwhile, FA, AK, MK, RK, and KFA were also positively correlated with MoCA scores (r = 0.338, 0.352, 0.289, 0.380, 0.370, all P < 0.001) in the right CgC region. CONCLUSION: DKI technique could be used to explore the microstructural changes of cingulum in MCI patients and DKI-derived parameters might be feasible to evaluate MCI patients.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».