MétaCan
Menu
Retour à la cohorte
Enregistrement W4388303642 · doi:10.1016/j.nicl.2023.103533

Detecting conversion from mild cognitive impairment to Alzheimer’s disease using FLAIR MRI biomarkers

2023· article· en· W4388303642 sur OpenAlexafffund
Owen Crystal, Pejman Maralani, Sandra E. Black, Corinne E. Fischer, Alan R. Moody, April Khademi

Notice bibliographique

RevueNeuroImage Clinical · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueAdvanced Neuroimaging Techniques and Applications
Établissements canadiensVector InstituteBaycrest HospitalSunnybrook Health Science CentreToronto Metropolitan UniversityUniversity of TorontoHealth Sciences CentreSt. Michael's Hospital
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaAlzheimer SocietyAlzheimer's SocietyConsortium canadien en neurodégénérescence associée au vieillissementGovernment of Ontario
Mots-clésFluid-attenuated inversion recoveryWhite matterMedicineBrain sizeCerebrospinal fluidNeuroimagingMagnetic resonance imagingGrey matterNuclear medicineInternal medicineRadiology

Résumé

récupéré en direct d'OpenAlex

Mild cognitive impairment (MCI) is the prodromal phase of Alzheimer's disease (AD) and while it presents as an imperative intervention window, it is difficult to detect which subjects convert to AD (cMCI) and which ones remain stable (sMCI). The objective of this work was to investigate fluid-attenuated inversion recovery (FLAIR) MRI biomarkers and their ability to differentiate between sMCI and cMCI subjects in cross-sectional and longitudinal data. Three types of biomarkers were investigated: volume, intensity and texture. Volume biomarkers included total brain volume, cerebrospinal fluid volume (CSF), lateral ventricular volume, white matter lesion volume, subarachnoid CSF, and grey matter (GM) and white matter (WM), all normalized to intracranial volume. The mean intensity, kurtosis, and skewness of the GM and WM made up the intensity features. Texture features quantified homogeneity and microstructural tissue changes of GM and WM regions. Composite indices were also considered, which are biomarkers that represent an aggregate sum (z-score normalization and summation) of all biomarkers. The FLAIR MRI biomarkers successfully identified high-risk subjects as significant differences (p < 0.05) were found between the means of the sMCI and cMCI groups and the rate of change over time for several individual biomarkers as well as the composite indices for both cross-sectional and longitudinal analyses. Classification accuracy and feature importance analysis showed volume biomarkers to be most predictive, however, best performance was obtained when complimenting the volume biomarkers with the intensity and texture features. Using all the biomarkers, accuracy of 86.2 % and 69.2 % was achieved for normal control-AD and sMCI-cMCI classification respectively. Survival analysis demonstrated that the majority of the biomarkers showed a noticeable impact on the AD conversion probability 4 years prior to conversion. Composite indices were the top performers for all analyses including feature importance, classification, and survival analysis. This demonstrated their ability to summarize various dimensions of disease into single-valued metrics. Significant correlation (p < 0.05) with phosphorylated-tau and amyloid-beta CSF biomarkers was found with all the FLAIR biomarkers. The proposed biomarker system is easily attained as FLAIR is routinely acquired, models are not computationally intensive and the results are explainable, thus making this pipeline easily integrated into clinical workflow.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,140
Score d'incertitude au seuil0,888

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,263
Tête enseignante GPT0,475
Écart entre enseignants0,213 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNeuroImage ClinicalMême sujetAdvanced Neuroimaging Techniques and ApplicationsTravaux en français237 207