Predicting cognitive decline in a low‐dimensional representation of brain morphology
Notice bibliographique
Résumé
Abstract Background 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, cortical decline in aging and high inter‐individual variability complicates the determination of AD‐related neurodegeneration on trajectories. Further, the high‐dimensional nature of these trajectories necessitate the use of a transformation into lower‐dimensional spaces in order to perform comparative statistical analyses, model decline, and identify criteria differentiating pathological from normal trajectories. Method In this project, we computed trajectories in a 2D representation of a 62‐dimensional manifold of individual cortical thickness measures. To compute this representation, we used a nonlinear dimension reduction algorithm called Uniform Manifold Approximation and Projection (UMAP). We first created a UMAP embedding on measurements from 6,237 cognitively healthy participants (3,556 women) aged 18 to 100 years old from the NOMIS database. We then projected longitudinal data from 537 mild cognitively impaired (MCI) subjects and 340 AD subjects from ADNI into this embedding. Each participant had multiple visits (n = 2), one year apart. Finally, differences in trajectories were analysed by clustering the reduced data and comparing the positional variations through time between MCI and AD subjects. The validity of the approach was verified through cross‐validation. Result First, the embedding was shown to be positively associated (r = 0.65) with participants' age (see figure 1) in the NOMIS data. When projected in this space, differences between ADNI’s MCI and AD distributions were found (see figure 2). Average trajectories between clusters were shown to be significantly different between MCI and AD subjects (see figure 3). Moreover, we showed that some clusters and trajectories between clusters were more prone to host AD subjects. Finally, cross‐validation showed an accuracy of up to 72% at predicting cognitive decline in MCI participants over 2,000 bootstrap iterations. Conclusion A 2D low‐dimensional cortical thickness representation embeds sufficient discriminatory information as to predict decline to AD in MCI participants with strong accuracy.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».