Predicting cognitive decline in a low-dimensional representation of brain morphology
Notice bibliographique
Résumé
Identifying early signs of neurodegeneration due to Alzheimer's disease (AD) is a necessary first step towards preventing cognitive decline. Individual cortical thickness measures, available after processing anatomical magnetic resonance imaging (MRI), are sensitive markers of neurodegeneration. However, normal aging cortical decline and high inter-individual variability complicate the comparison and statistical determination of the impact of AD-related neurodegeneration on trajectories. In this paper, we computed trajectories in a 2D representation of a 62-dimensional manifold of individual cortical thickness measures. To compute this representation, we used a novel, nonlinear dimension reduction algorithm called Uniform Manifold Approximation and Projection (UMAP). We trained two embeddings, one on cortical thickness measurements of 6237 cognitively healthy participants aged 18-100 years old and the other on 233 mild cognitively impaired (MCI) and AD participants from the longitudinal database, the Alzheimer's Disease Neuroimaging Initiative database (ADNI). Each participant had multiple visits ([Formula: see text]), one year apart. The first embedding's principal axis was shown to be positively associated ([Formula: see text]) with participants' age. Data from ADNI is projected into these 2D spaces. After clustering the data, average trajectories between clusters were shown to be significantly different between MCI and AD subjects. Moreover, some clusters and trajectories between clusters were more prone to host AD subjects. This study was able to differentiate AD and MCI subjects based on their trajectory in a 2D space with an AUC of 0.80 with 10-fold cross-validation.
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 | 0,001 |
| 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 | 0,000 | 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) | 0,000 | 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 ».