MRI Diffusion Connectomics-Based Characterization of Progression in Alzheimer’s Disease
Notice bibliographique
Résumé
Characterizing Alzheimer’s disease (AD) progression remains a significant clinical challenge. The initial stages of AD are marked by the accumulation of amyloid-beta plaques and Tau tangles, with cognitive functions often appearing normal, and clinical symptoms may not manifest until up to 20 years after the prodromal period begins. Comprehensive longitudinal studies analyzing brain-wide structural connectomics in the early stages of AD, especially those with large sample sizes, are scarce. In this study, we investigated a longitudinal diffusion-weighted imaging dataset of 264 subjects to assess the predictive potential of diffusion data for AD. Our findings indicate the potential of a simple prognostic biomarker for disease progression based on the hemispheric lateralization of mean tract volume for tracts originating from the supramarginal and paracentral regions, achieving an accuracy of 86%, a sensitivity of 86%, and a specificity of 93% when combined with other clinical indicators. However, diffusion-weighted imaging measurements alone did not provide strong predictive accuracy for clinical variables, disease classification, or disease conversion. By conducting a comprehensive tract-by-tract analysis of diffusion-weighted characteristics contributing to the characterization of AD and its progression, our research elucidates the potential of diffusion MRI as a tool for the early detection and monitoring of neurodegenerative diseases and emphasizes the importance of integrating multi-modal data for enhanced predictive analytics.
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 | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».