Dynamic Meta-Networking Identifies Distinct Network Correlates of Positive and Negative Formal Thought Disorder in Schizophrenia
Notice bibliographique
Résumé
Abstract Formal thought disorder (FTD) is a core symptom of schizophrenia, yet the neural network mechanisms underlying this phenotype remain poorly understood. In this study, we applied a dynamic meta-networking framework, which captures temporally recurring functional network states, to investigate alterations in the language and executive control networks and their associations with positive and negative FTD. Resting-state fMRI data were collected from three independent cohorts: a discovery cohort comprising 150 first-episode, drug-naïve patients with schizophrenia and 175 healthy controls (HCs); a replication cohort including 183 first-episode, drug-naïve patients and 109 HCs; and a third cohort consisting of 71 patients who had received two weeks of antipsychotic treatment and 71 HCs. Meta-networking analysis identified four distinct resting-state meta-states within both the language and executive control networks. Connectivity-behavior correlation analyses and machine-learning regression models revealed that positive FTD was associated with aberrant connectivity across specific meta-states in both networks. In contrast, negative FTD was linked exclusively to dysfunction within two meta-states of the executive control network. Notably, these polarity-specific, multi-state connectivity disruptions normalized following short-term antipsychotic treatment, highlighting their potential as clinically relevant neuroimaging biomarkers.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».