Discovering subtypes with imaging signatures in the Motoric Cognitive Risk Syndrome Consortium using weakly supervised clustering
Notice bibliographique
Résumé
INTRODUCTION: Understanding the heterogeneity of brain structure in individuals with the Motoric Cognitive Risk Syndrome (MCR) may improve the current risk assessments of dementia. METHODS: = 1987). A weakly-supervised clustering algorithm called HYDRA (Heterogeneity through Discriminative Analysis) was applied to volumetric magnetic resonance imaging (MRI) measures to identify distinct subgroups in the population with gait speeds lower than one standard deviation (1SD) above mean. RESULTS: Three subgroups (Groups A, B, and C) were identified through MRI-based clustering with significant differences in regional brain volumes, gait speeds, and performance on Trail Making (Part-B) and Free and Cued Selective Reminding Tests. DISCUSSION: Based on structural MRI, our results reflect heterogeneity in the population with moderate and slow gait, including those with MCR. Such a data-driven approach could help pave new pathways toward dementia at-risk stratification and have implications for precision health for patients. Highlights: Different patterns of brain atrophy were observed among the people with moderate and slow gait speedsSlower gait speeds were associated with substantial cortical atrophy, higher rates of Motoric Cognitive Risk Syndrome (MCR), and worse cognitive performanceThis approach can aid patient stratification at early asymptomatic stages and have implications for precision health.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».