Prediction of Cognitive Function via Brain Region Volumes with Applications to Alzheimer’s Disease Based on Space-Factor-Guided Functional Principal Component Analysis
Notice bibliographique
Résumé
Alzheimer’s disease (AD) is a prevalent and irreversible brain disorder and early prediction of cognitive function is vital for detecting the onset. The volumes of brain regions can serve as features for predicting cognitive decline, facilitating early detection and intervention. In order to offer a comprehensive representation of brain tissue changes in AD, we employ volume density curves to investigate the relationship between brain regions and cognitive function. However, analyzing these volume curves is complex due to their highly spatial and intrinsic dependence and piecewise structure. To address these challenges, we propose Space-Factor-Guided Functional Principal Component Analysis (SF-FPCA). This method utilizes factor processes to extract low-dimensional features for intrinsic correlations among regions of interest (ROIs) and applies Functional Principal Component Analysis (FPCA) to these processes to address temporal dependence. Furthermore, by decomposing the loadings into smooth functions of spatial coordinates and a piecewise constant matrix, we identify regions exhibiting smoothness within each region while discontinuities between these regions. We apply SF-FPCA to analyze data from the Alzheimer’s Disease Neuroimaging Initiative (ADNI). Our results demonstrate that SF-FPCA provides the best fit compared to other methods. In addition, features extracted from volume curves using SF-FPCA enable more accurate prediction of cognitive function compared to scalar volumes alone. Leveraging these extracted features, we identify 36 important ROIs influencing cognitive decline. Our investigation into brain atrophy also reveals distinct mechanisms between the left and right hemispheres, shedding light on the nuanced effects of brain region changes on cognitive decline in AD.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 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 ».