Multimodal Neuroimaging‐Guided Stratification in Amyotrophic Lateral Sclerosis Reveals Three Disease Subtypes: A Multi‐Cohort Analysis
Notice bibliographique
Résumé
Amyotrophic lateral sclerosis (ALS) is a multisystem disease with marked pathophysiological and clinical heterogeneity, making individual and objective characterization of the degree of disease progression and disease-related subtrajectories challenging. Here, we use in vivo multimodal neuroimaging data and computational models to generate personalized indices of ALS progression and subtrajectory. We used structural and diffusion weighted imaging of 691 participants (58% ALS) from two independent ALS data sets (North American and Utrecht cohorts) to extract regional values of grey matter (DM) density and white matter (WM) microstructural integrity. Contrastive trajectory inference (cTI) allowed us to identify and separate latent, multivariate patterns in neuroimaging features highlighting ALS-associated pathological processes, which were used to generate subject-specific indices of disease progression and subtrajectory. Disease subtrajectories were based on distinct patterns of alterations in neuroimaging data considering subjects at different disease progression levels. The neuroimaging-based, personalized index of disease progression is indicative of clinical symptom severity (North American: p < 0.01 and Utrecht: p < 0.01) and displays alignment with the King's College staging system (p = 0.001 and p = 0.002). Three ALS subtrajectories were identified that displayed distinct alterations in the motor, limbic system, and widespread cortical and subcortical changes that also differed in clinical symptom manifestation. Our analysis has shown that neuroimaging data encodes subject-specific, disease-related patterns that can be leveraged to obtain an in vivo proxy of disease progression and putative disease subtype.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».