Adaptive Frequency‐Optimized Wavelet Networks for Early Detection of Subjective Cognitive Decline via Resting‐State fMRI
Notice bibliographique
Résumé
BACKGROUND: Early detection of subjective cognitive decline (SCD), a preclinical stage of Alzheimer's disease (AD), remains a clinical challenge due to its subtle manifestations. This study aims to address these challenges by introducing a novel approach to enhance the detection and analysis of SCD. METHODS: A Frequency Self-Adaptive Wavelet Transform (FSAWT) model was developed and optimized for functional brain network (FBN) construction using resting-state functional MRI (rs-fMRI) data. The model dynamically selected "golden frequencies" to improve the accuracy and interpretability of brain connectivity patterns. FBNs from 240 participants (106 SCD, 134 controls) were analyzed and compared using traditional methods, pearson correlation (PC) and sparse representation (SR). Receiver operating characteristic-area under the curve (ROC-AUC) analysis validated the classification results. RESULTS: Our findings demonstrate that individuals with SCD exhibit distinct functional connectivity alterations, including reversed parahippocampal gyrus-superior parietal gyrus connectivity-suggesting early DMN disintegration, weakened temporoparietal pathways linked to memory deficits, and enhanced fusiform gyrus-orbitofrontal connectivity. The frequency-optimized SRWT method achieved superior diagnostic performance (83.71% accuracy, AUC = 0.84) with 82.11% sensitivity and 85.71% specificity, significantly outperforming traditional approaches (61.93% accuracy for PC), highlighting its potential for early SCD detection through these network-based biomarkers. CONCLUSIONS: The FSAWT model offers a robust framework for early SCD detection by integrating frequency-specific and cross-frequency dynamics. While these findings highlight potential contributions to precision diagnostics and personalized interventions for neurodegenerative disorders, such applications remain to be established in future studies. Future applications may also explore multimodal neuroimaging and broader cognitive impairments.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 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 ».