Frontotemporal Dementia Subtyping using Machine Learning, Multivariate Statistics, and Neuroimaging
Notice bibliographique
Résumé
Abstract Frontotemporal Dementia (FTD) is a prevalent form of early-onset dementia characterized by progressive neurodegeneration. It encompasses a group of heterogeneous disorders, including behavioral variant frontotemporal dementia (bvFTD), nonfluent variant primary progressive aphasia (nfvPPA), and semantic variant primary progressive aphasia (svPPA). Due to disease heterogeneity and overlapping symptoms, diagnosis of FTD and its subtypes still poses a challenge. Magnetic-resonance imaging (MRI) is commonly used to support the diagnosis of FTD. Using machine learning and multivariate statistics, we tested whether brain atrophy patterns are associated with severity of cognitive impairment, whether this relationship differs between the phenotypic subtypes, and whether we could use these brain patterns to classify patients according to their FTD variant. A total of 136 patients (70 bvFTD, 36 svPPA, 30 nfvPPA) from the frontotemporal lobar degeneration neuroimaging initiative (FTLDNI) database underwent brain MRI and clinical and neuropsychological examination. Deformation-based morphometry (DBM), which offers increased sensitivity to subtle local differences in structural image contrasts was used to estimate regional cortical and subcortical atrophy. Atlas-based associations between DBM values and performance across different cognitive tests were assessed using partial least squares (PLS). We then applied linear regression models to discern the group differences regarding the relationship between atrophy and cognitive decline in the three FTD phenotypes. Lastly, we assessed whether the combination of neural and behavioral patterns in the latent variables identified in the PLS analysis could be used as features in a machine-learning model to predict FTD subtypes in patients. Results revealed four significant latent variables that combined accounted for 86% of the shared covariance between cognitive and brain atrophy measures. PLS-based atrophy and behavioral patterns predicted the FTD phenotypes with a cross-validated accuracy of 89.12%, with high specificity (91.46-97.15%) and sensitivity (84.19-93.56%). When using only MRI measures and two behavioral tests in the PLS and classification algorithm, ensuring clinical feasibility, our model was similarly precise (83.62%, specificity 86.38-93.51%, sensitivity 76.17-87.50%). Here, including only atrophy or behavior patterns in the analysis led to prediction accuracies of 69.76% and 76.38%, respectively, highlighting the increased value of combining MRI and clinical measures in subtype classification. We demonstrate that the combination of brain atrophy and clinical characteristics, and multivariate statistical methods can serve as an imaging biomarker for early disease phenotyping in FTD, whereby inclusion of DBM measures adds to the classification precision in the absence of extensive clinical testing.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».