Visceral and Subcutaneous Abdominal Fat Predict Brain Volume Loss at Midlife in 10,001 Individuals
Notice bibliographique
Résumé
Abdominal fat is increasingly linked to brain health. A total of 10,001 healthy participants were scanned on 1.5T MRI with a short whole-body MR imaging protocol. Deep learning with FastSurfer segmented 96 brain regions. Separate models segmented visceral and subcutaneous abdominal fat. Regression analyses of abdominal fat types and normalized brain volumes were evaluated, controlling for age and sex. Logistic regression models determined the risk of brain total gray and white matter volume loss from the highest quartile of visceral fat and lowest quartile of these brain volumes. This cohort had an average age of 52.9 ± 13.1 years with 52.8% men and 47.2% women. Segmented visceral abdominal fat predicted lower volumes in multiple regions including: total gray matter volume (r = -.44, p<.001), total white matter volume (r =-.41, p<.001), hippocampus (r = -.39, p< .001), frontal cortex (r = -.42, p<.001), temporal lobes (r = -.44, p<.001), parietal lobes (r = -.39, p<.001), occipital lobes (r =-.37, p<.001). Women showed lower brain volumes than men related to increased visceral fat. Visceral fat predicted increased risk for lower total gray matter (age 20-39: OR = 5.9; age 40-59, OR = 5.4; 60-80, OR = 5.1) and low white matter volume: (age 20-39: OR = 3.78; age 40-59, OR = 4.4; 60-80, OR = 5.1). Higher subcutaneous fat is related to brain volume loss. Elevated visceral and subcutaneous fat predicted lower brain volumes and may represent novel modifiable factors in determining brain health.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».