Predicting cognitive function from multimodal mesoscale neuroimaging data
Notice bibliographique
Résumé
Abstract Background Our objective was to assess individual and joint relationships between various mesoscale indicators of brain health (e.g., neuronal, metabolic, and vascular integrity) and cognitive function. Method We used 7224 timepoint measures originating from 1825 participants of the ADNI study who were cognitively healthy or with mild cognitive impairment at initial assessment. Cognitive function outcomes were test results on the Alzheimer’s Disease Assessment Scale–Cognitive Subscale (ADAS‐Cog), the Rey auditory Verbal Learning Test immediate recall (RAVLTi), the Rey auditory Verbal Learning Test delayed recall (RAVLTd), the Trail Making Test A (Trail a), and the Trail Making Test B (Trail b) tasks. Four families of markers were used. First were three families of mesoscale neuroimaging assessed by MRI for 88 brain regions: 1. Neuronal integrity was estimated by FreeSurfer 6.0 produced volumes extracted from T1‐weighted (T1w) images; 2. Neurite integrity was estimated through T1w/T2‐weighted MRI ratios; 3. Cerebral metabolism integrity was measured by synthetic fluorodeoxyglucose‐positron emission tomography, generated by a model based on a latent‐space regularized generative adversarial net from T1w MRIs. Secondly, 4. Systemic markers of vascular health‐related factors were included in the model (history of cardiovascular diseases, alcohol abuse, smoking history, systolic and diastolic blood pressure, history of hypertension, type 2 diabetes, Hachinski score). Cross‐sectional and future cognitive outcomes were all predicted in a single machine learning model using all combinations of predictor families at baseline, time interval between outcomes and baseline as long as sex and education. Three types of regression models were tested (Ridge, Partial Least Squares and Support Vector). Result Individually, neuronal and metabolism integrity were the best predictors of cognitive function (Figure 1; R2: .15‐.35 and MAE in Z score: .08‐.23). The combination of two or more mesoscale brain health markers improved predictions, with the best combination being neuronal integrity with metabolism (Figures 2‐3; mean R2: .28; mean MAE: .12). However, increasing the number of markers led to similar results. Conclusion While the prediction of cognition improved with a combination of brain health mesoscale markers, a plateau seems to be reached after combining two families.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 |
| 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 ».