The Alzheimer's Disease Neuroimaging Initiative Neuropathology Core: An update
Notice bibliographique
Résumé
INTRODUCTION: Biomarkers for Alzheimer's disease neuropathologic change (ADNC) have been instrumental in developing effective disease-modifying therapeutics. However, to prevent/treat dementia effectively, we require biomarkers for non-AD neuropathologies; for this, neuropathologic examinations and annotated tissue samples are essential. METHODS: We conducted clinicopathologic correlation for the first 100 Alzheimer's Disease Neuroimaging Initiative (ADNI) Neuropathology Core (NPC) cases. RESULTS: Clinical syndromes in this cohort showed 95% sensitivity and 79% specificity for predicting high/intermediate ADNC, a 21% false positive rate, and a ∼44% false negative rate. In addition, 60% with high/intermediate ADNC harbored additional potentially dementing co-pathologies. DISCUSSION: These results suggest that clinical presentation imperfectly predicts ADNC and that accurate prediction of high/intermediate ADNC does not exclude co-pathology that may modify presentation, biomarkers, and therapeutic responses. Therefore, new biomarkers are needed for non-AD neuropathologies. The ADNI NPC supports this mission with well-characterized tissue samples (available through ADNI and the National Institute on Aging) and "gold-standard" diagnostic information (soon to include digital histology). HIGHLIGHTS: The Alzheimer's Disease Neuroimaging Initiative (ADNI) Neuropathology Core (NPC) brain donation cohort now exceeds 200 cases. ADNI NPC data in National Alzheimer's Coordinating Center format are available through the Laboratory of Neuro Imaging. Digitized slide files from the ADNI NPC will be available in 2025. Requests for ADNI brain tissue samples can be submitted online for ADNI/National Institute on Aging evaluation. Clinical diagnoses of Alzheimer's disease (AD)/AD and related dementias (ADRD) do not always predict post mortem neuropathology. Neuropathology is essential for the development of novel AD/ADRD biomarkers.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,012 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,005 |
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 ».