Change point based dynamic functional connectivity estimation outperforms sliding window and static estimation for classification of early mild cognitive impairment in resting-state fMRI
Notice bibliographique
Résumé
Abstract The most widely used inputs in classification models of brain disorders such as early mild cognitive impairment (eMCI) or Alzheimer’s disease are estimates of static-based functional connectivity (SFC) and sliding window dynamic functional connectivity (swDFC). Although these methods are convenient for estimation and computational purposes, as it keeps the estimation tractable, they present a simplified version of a highly integrated and dynamic phenomenon. Change point dynamic functional connectivity (cpDFC) methods, which are far less commonly used, offer an alternative to swDFC approaches. In this study, we consider a classification task between controls and patients with eMCI using resting-state functional magnetic resonance imaging (fMRI) data from the Alzheimer’s Disease Neuroimaging Initiative (ADNI) studies, ADNI2 and ADNIGO. Our results indicate that the DFC methods are generally superior to the SFC methods when used as inputs into the classification model. Most importantly, we find that the cpDFC methods are generally superior to the widely used swDFC methods. We discuss how cpDFC methods offer many distinct advantages over swDFC methods, namely, the parsimony of network features and ease of interpretability. We validate the robustness and consistency of our results by testing the methods on an additional resting-state fMRI dataset of mild cognitive impairment patients. These findings call into question the validity of numerous fMRI studies that have utilized inferior approaches, such as SFC and swDFC, as inputs to classification models to predict various brain disorders. Finally, we present an ensemble model of the best models, which achieves an accuracy of 91.17% from leave-one-out cross-validation of subjects with eMCI. Our results suggest that the underlying functional networks are dynamic, multiscale, and that different FC methods capture distinct information for classification efficacy.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».