Personalizing progressive changes to brain structure in Alzheimer's disease using normative modeling
Notice bibliographique
Résumé
INTRODUCTION: Neuroanatomical normative modeling captures individual variability in Alzheimer's disease (AD). Here we used normative modeling to track individuals' disease progression in people with mild cognitive impairment (MCI) and patients with AD. METHODS: Cortical and subcortical normative models were generated using healthy controls (n ≈ 58k). These models were used to calculate regional z scores in 3233 T1-weighted magnetic resonance imaging time-series scans from 1181 participants. Regions with z scores < -1.96 were classified as outliers mapped on the brain and summarized by total outlier count (tOC). RESULTS: tOC increased in AD and in people with MCI who converted to AD and also correlated with multiple non-imaging markers. Moreover, a higher annual rate of change in tOC increased the risk of progression from MCI to AD. Brain outlier maps identified the hippocampus as having the highest rate of change. DISCUSSION: Individual patients' atrophy rates can be tracked by using regional outlier maps and tOC. HIGHLIGHTS: Neuroanatomical normative modeling was applied to serial Alzheimer's disease (AD) magnetic resonance imaging (MRI) data for the first time. Deviation from the norm (outliers) of cortical thickness or brain volume was computed in 3233 scans. The number of brain-structure outliers increased over time in people with AD. Patterns of change in outliers varied markedly between individual patients with AD. People with mild cognitive impairment whose outliers increased over time had a higher risk of progression from AD.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».