Network-based disease fingerprinting with neuroinflammation PET imaging
Notice bibliographique
Résumé
Neuroinflammation is a hallmark of numerous neurodegenerative, psychiatric, and chronic pain disorders and can be assessed in vivo with 18 kDa translocator protein (TSPO) positron emission tomography (PET). However, conventional quantification methods of TSPO PET are limited and often overlook the spatial relationships between regional signals. The application of network-based approaches to TSPO PET imaging may provide a novel framework to capture disease-specific neuroinflammatory patterns. To address this question, here we developed a data-driven, network-based approach to generate individual brain-wide TSPO PET matrices, employing Euclidean distance to quantify inter-regional pharmacokinetics similarity. We applied this approach to a large multicenter dataset of 528 PET scans utilizing three different TSPO tracers ([11C]-PBR28, [18F]-DPA714, [11C]-PK11195), including healthy controls and patients with different diseases such as multiple sclerosis, traumatic brain injury, schizophrenia, depression, and chronic low back pain. Statistical modelling and machine learning classifiers were applied to evaluate the impact of experimental and biological factors on TSPO similarity patterns and to investigate their potential for capturing disease-specific signatures. TSPO similarity patterns demonstrated high biological specificity and reproducibility, with strong test–retest correlations (mean Spearman’s ρ = 0.84). Average precision of disease classification exceeded chance performance by 23–89% across conditions and was driven by condition-specific regional hubs whose topological distributions closely mirrored disease pathophysiology. This specificity was further supported by minimal overlap in feature importance values across conditions. Altogether, our findings show that network-based analysis of human TSPO PET data can detect disease-specific neuroinflammatory signatures. Such methodologies underscore the biological significance of TSPO PET and enhance its translational value, supporting precision medicine strategies for neuroinflammatory disorders.
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 | 0,003 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».