E.4 Hippocampal subfield thickness measurements evaluated using HippUnfold in patients with mild cognitive impairment and Alzheimer’s disease
Notice bibliographique
Résumé
Background: Alzheimer’s disease (AD) is an emerging public health crisis and biomarkers are playing a large role in AD research. Magnetic Resonance Imaging (MRI) holds advantages over existing biomarkers for AD. This project aims to measure subfield thickness throughout the hippocampal long axis using HippUnfold, a novel open-source automated hippocampal segmentation software. Methods: High resolution (0.39×0.39×2mm) Hippocampal MR Images [control, n= 16, mild cognitive impairment (MCI, n =16), and AD, (n = 16)] acquired by the Alzheimer’s Disease Neuroimaging Initiative (ADNI) were analyzed with an automated segmentation software (HippUnfold) to compute thickness measurements. ADNI data such as Positron Emission Tomography (PET) biomarkers, Cerebrospinal Fluid biomarkers, and cognitive scores such as Mini-Mental State Exam (MMSE), Montreal Cognitive Assessment (MoCA), Alzheimer’s Disease Assessment Scale (ADAS13), and Rey Auditory Verbal Learning Test (RAVLT), were correlated to thickness along the hippocampal long axis using linear regression models. Results: We found significant cluster correlations (p < 0.05) throughout the long axis between hippocampal subfield thickness to MoCA scores, ADAS13 scores, PET phosphorylated tau levels, and PET beta-amyloid levels. Conclusions: Subfield atrophy throughout the hippocampal long axis is associated with disease severity (as measured with existing biomarkers and cognitive testing) in patients with MCI and 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 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 | 0,001 | 0,002 |
| 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 | 0,001 | 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) | 0,002 | 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 ».