Using a Bayesian workflow approach to define the optimal level of anatomy/functionality voxels clustering for the prediction of tau propagation and cortical loss in Alzheimer's disease
Notice bibliographique
Résumé
Abstract Background Tau aggregates in Alzheimer’s disease (AD) induce loss of synapses and neurons, leading to cognitive impairment. Predicting tau and neurodegeneration temporal evolution could be used for prognostication and for assessing results of therapeutic trials. Tau PET and MRI volumetry are reliable markers of disease stage, but cost and radiation protection considerations limit research measurement frequency, lowering the accuracy of disease progression modeling. Here, we evaluate, using Bayesian analysis, whether models based on limited numbers of observations can be refined to better predict the temporal trajectory of pathology. Method Imaging data comes from subjects (113; 68 females; 18 AD dementia, 23 MCI and 72 cognitively normal) of the TRIAD cohort (McGill University) who have been evaluated at least twice ( 1 year interval) with both tau PET ([18F]MK‐6240) and structural MRI. Four probability models were evaluated: 1‐ a basic one, assuming that all data points come from 1 data distribution; 2‐ one where subjects' observations are clustered within anatomical ROIs, where an independent distribution is hypothesized; 3‐ data is clustered within known physiological networks, each networks’ distribution parameters having their own specific values ; 4‐ a model assuming that subjects’ observations are described by a distribution of voxel parameters dictated by both the ROI and network(s) in which they lay. Bayesian data analysis was used to compare the predictive accuracy of those models for progression at 1 year from baseline of tau PET and MRI data. Result Model 4 was the most accurate model for both tau and cortical thickness prediction. We therefore used it to perform posterior predictions across hemispheres, showing that the prediction curves of the left and right hemispheres for the pericalcarine cortex differ. We also noticed a decreasing trend in the CN tau curve for the left hemisphere as the rate of cortical thinning increases. In contrast, there is an increasing trend in the AD tau curve as the rate of cortical thinning increases. Conclusion The model that incorporated both ROI‐level and network‐level information was the best predictor of progression, and such an approach can reveal underappreciated properties of the disease (i.e., laterality).
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 | 0,009 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».