Beyond Focal Lesions: Dynamical Network Effects of White Matter Hyperintensities
Notice bibliographique
Résumé
White matter (WM) tracts shape the brain's dynamical activity and their damage (e.g., white matter hyperintensities, WMH) yields relevant functional alterations, ultimately leading to cognitive symptoms. The mechanisms linking the structural damage caused by WMH to the arising alterations of brain dynamics is currently unknown. To estimate the impact of WMH on brain dynamics, we combine neural-mass whole-brain modeling with a virtual-lesioning (disconnectome) approach informed by empirical data. We account for the heterogeneous effects of WMH either on inter-regional communication (i.e., edges) or on dynamics (i.e., nodes) and create models of their local versus global, and edge versus nodal effects using a large fMRI dataset comprising 188 non-demented individuals (120 cognitively normal, 68 with mild cognitive impairment) with varying degrees of WMH. We show that, although WMH mainly determine local damage to specific WM tracts, these lesions yield relevant global dynamical effects by reducing the overall synchronization of the brain through a reduction of global coupling. Alterations of local nodal dynamics through disconnections are less relevant and present only at later stages of WMH damage. Exploratory analyses suggest that education might play a beneficial role in counteracting the reduction in global coupling associated with WMH. This study provides generative models linking the structural damage caused by WMH to alterations in brain dynamics. These models might be used to evaluate the detrimental effects of WMH on brain dynamics in a subject-specific manner. Furthermore, it validates the use of whole-brain modeling for hypothesis-testing of structure-function relationships in diseased states characterized by empirical disconnections.
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».