Bayesian approaches for revealing complex neural network dynamics in Parkinson’s disease
Notice bibliographique
Résumé
Parkinson’s disease (PD) belongs to the class of neurodegenerative disorders that affect the central nervous system. It is usually defined as the gradual loss of dopaminergic neurons in the substantia nigra pars compacta, which causes both motor and non-motor symptoms. Understanding the neuronal processes that underlie PD is critical for creating successful therapies. This study combines machine learning (ML), stochastic modelling, and Bayesian inference with connectomic data to analyse the brain networks involved in PD. We use modern computational methods to study large-scale neural networks to identify neuronal activity patterns related to PD development. We aim to define the subtle structural and functional connection changes in PD brains by combining connectomic with stochastic noises. Stochastic modelling approaches reflect brain dynamics’ intrinsic variability and unpredictability, shedding light on the origin and spread of pathogenic events in PD. We employ a novel hybrid model to assess how stochastic noise impacts the cortex-basal ganglia-thalamus (CBGTH) network, using data from the Human Connectome Project (HCP). Bayesian inference allows us to quantify uncertainty in model parameters, improving the accuracy of our predictions. Our findings reveal that stochastic disturbances increase thalamus activity, even under deep brain stimulation (DBS). Bayesian analysis suggests that reducing these disturbances could enhance healthy brain states, providing insights for potential therapeutic interventions. This approach offers a deeper understanding of PD dynamics and paves the way for personalized treatment strategies. This is an extended version of our work presented at the ICCS-2024 conference (Shaheen and Melnik, 2024) [1] . • We combine machine learning and Bayesian inference to analyze brain network dynamics in PD. • Stochastic disturbances increase thalamus activity in the CBGTH under DBS. • Bayesian inference quantifies uncertainty in model predictions, enhancing PD insights. • This study opens new paths for AI-driven, personlized treaments targeting brain dynamics.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».