Distribution of White Matter Hyperintensities across Arterial Territories in Neurodegenerative Diseases
Notice bibliographique
Résumé
ABSTRACT MRI-detected white matter hyperintensities (WMH) are often recognized as markers of cerebrovascular abnormalities and an index of vascular brain injury. The literature establishes a strong link between WMH burden and cognitive decline, and suggests that the anatomical distribution of WMH mediates cognitive dysfunction. Pathological remodeling of major cerebral arteries (anterior, ACA; middle, MCA; posterior, PCA) may increase WMH burden in an arterial territory (AT)-specific manner. However, this has not been systematically studied across neurodegenerative diseases (NDDs). To address this gap, we aimed to assess WMH distribution (i) across ATs per clinical category, (ii) across clinical categories per AT, and (iii) between men and women. We also investigated the association between AT-specific WMH burden and cognition. Using two cohorts – Canadian CCNA-COMPASS-ND (N=927) and US-based NIFD (N=194) – we examined WMH distribution across ten clinical categories: cognitively unimpaired (CU), subjective cognitive decline (SCD), mild cognitive impairment (MCI), Alzheimer disease (AD), MCI and AD with high vascular injury (+V), Lewy body dementia, frontotemporal dementia, Parkinson’s disease (PD), and PD with cognitive impairment or dementia. WMH masks were segmented from FLAIR MRI and mapped onto an arterial atlas. Cognitive performance was assessed using four psychometric tests evaluating reaction time and overall cognition, namely Simple Reaction Time (SRT), Choice Reaction Time (CRT), Digit Symbol Substitution Test (DSST), and Montreal Cognitive Assessment (MoCA). Statistical analyses involved linear regression models, controlling for demographic factors, with a 5% False Discovery Rate for multiple comparisons. Our transdiagnostic analysis revealed unique AT-specific WMH burden patterns. Comparisons between ACA and PCA territories revealed distinct burden patterns in clinical categories with similar whole-brain WMH burden, while the MCA territory consistently exhibited the highest burden across all categories, despite accounting for AT size. Hemispheric asymmetries were noted in seven diagnostic categories, with most showing higher WMH burden in the left MCA territory. Our results further revealed distinct AT-specific WMH patterns in diagnostic groups that are more vascular than neurodegenerative (i.e., MCI+V, AD+V). Categories often misdiagnosed in clinical practice, such as FTD and AD, displayed contrasting WMH signatures across ATs. SCD showed distinct AT-specific WMH patterns compared to CU and NDD participants. Additionally, sex-specific differences emerged in five NDDs, with varying AT effects. Importantly, AT-specific WMH burden was associated with slower processing speed in MCI (PCA) and AD (ACA, MCA). This study highlights the importance of evaluating WMH distribution through a vascular-based brain parcellation. We identified ATs with increased vulnerability to WMH accumulation across NDDs, revealing distinct WMH signatures for multiple clinical categories. In the AD continuum, these signatures correlated with cognitive impairment, underscoring the potential for vascular considerations in imaging criteria to improve diagnostic precision.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».