Brain age prediction using the graph neural network based on resting-state functional MRI in Alzheimer's disease
Notice bibliographique
Résumé
Introduction: Alzheimer's disease (AD) is a neurodegenerative disease that significantly impacts the quality of life of patients and their families. Neuroimaging-driven brain age prediction has been proposed as a potential biomarker to detect mental disorders, such as AD, aiding in studying its effects on functional brain networks. Previous studies have shown that individuals with AD display impaired resting-state functional connections. However, most studies on brain age prediction have used structural magnetic resonance imaging (MRI), with limited studies based on resting-state functional MRI (rs-fMRI). Methods: model was also used to identify the critical brain regions in AD. Results: The experimental results demonstrate that our GNN model can predict brain ages of normal controls using rs-fMRI data from the ADNI database. Moreover the differences between brain ages and chronological ages were more significant in AD patients than in normal controls. Our results also suggest that AD is associated with accelerated brain aging and that the GNN model based on resting-state functional connectivity is an effective tool for predicting brain age. Discussion: Our study provides evidence that rs-fMRI is a promising modality for brain age prediction in AD research, and the GNN model proves to be effective in predicting brain age. Furthermore, the effects of the hippocampus, parahippocampal gyrus, and amygdala on brain age prediction are verified.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».