Functional connectome fingerprinting and stability in multiple sclerosis
Notice bibliographique
Résumé
Background: Functional connectome fingerprinting can identify individuals based on their functional connectome. Previous studies relied mostly on short intervals between fMRI acquisitions. Objective: This cohort study aimed to determine the stability of connectome-based identification and their underlying signatures in patients with multiple sclerosis and healthy individuals with long follow-up intervals. Methods: We acquired resting-state fMRI in 70 patients with multiple sclerosis and 273 healthy individuals with long follow-up times (up to 4 and 9 years, respectively). Using functional connectome fingerprinting, we examined the stability of the connectome and additionally investigated which regions, connections and networks supported individual identification. Finally, we predicted cognitive and behavioural outcome based on functional connectivity. Results: Multiple sclerosis patients showed connectome stability and identification accuracies similar to healthy individuals, with longer time delays between imaging sessions being associated with accuracies dropping from 89% to 76%. Lesion load, brain atrophy or cognitive impairment did not affect identification accuracies within the range of disease severity studied. Connections from the fronto-parietal and default mode network were consistently most distinctive, i.e., informative of identity. The functional connectivity also allowed the prediction of individual cognitive performances. Conclusion: Our results demonstrate that discriminatory signatures in the functional connectome are stable over extended periods of time in multiple sclerosis, resulting in similar identification accuracies and distinctive long-lasting functional connectome fingerprinting signatures in patients and healthy individuals.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».