Altered large‐scale dynamic connectivity patterns in Alzheimer's disease and mild cognitive impairment patients: A machine learning study
Notice bibliographique
Résumé
Alzheimer's disease (AD) is a common neurodegeneration disease associated with substantial disruptions in the brain network. However, most studies investigated static resting-state functional connections, while the alteration of dynamic functional connectivity in AD remains largely unknown. This study used group independent component analysis and the sliding-window method to estimate the subject-specific dynamic connectivity states in 1704 individuals from three data sets. Informative inherent states were identified by the multivariate pattern classification method, and classifiers were built to distinguish ADs from normal controls (NCs) and to classify mild cognitive impairment (MCI) patients with informative inherent states similar to ADs or not. In addition, MCI subgroups with heterogeneous functional states were examined in the context of different cognition decline trajectories. Five informative states were identified by feature selection, mainly involving functional connectivity belonging to the default mode network and working memory network. The classifiers discriminating AD and NC achieved the mean area under the receiver operating characteristic curve of 0.87 with leave-one-site-out cross-validation. Alterations in connectivity strength, fluctuation, and inter-synchronization were found in AD and MCIs. Moreover, individuals with MCI were clustered into two subgroups, which had different degrees of atrophy and different trajectories of cognition decline progression. The present study uncovered the alteration of dynamic functional connectivity in AD and highlighted that the dynamic states could be powerful features to discriminate patients from NCs. Furthermore, it demonstrated that these states help to identify MCIs with faster cognition decline and might contribute to the early prevention of AD.
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 | 0,004 |
| 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 | 0,001 |
| 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 ».