Magnetoencephalography brain biomarkers of Alzheimer's disease: an ongoing study based on the BioFIND dataset
Notice bibliographique
Résumé
Magnetoencephalography (MEG) is widely used to study neurodegenerative disorders, particularly Alzheimer's disease (AD). AD is linked to amyloid-beta and tau protein formation, which disrupts brain anatomical and functional networks, leading to memory and cognitive impairments. Due to its noninvasive nature and excellent temporal resolution, MEG is valuable for examining functional changes in the AD brain. We evaluated a pipeline, based on nested cross-validation with Monte-Carlo replications, with MEG-derived sensors and source-based spectral features to discriminate healthy controls (HC) versus mild cognitive impairment (MCI) brain activity features. We also compared the effectiveness of combining MEG and MRI features extracted for 324 participants (158 MCI, 166 HC) in the BioFIND dataset. A robust selection of brain source activity biomarkers was implemented through five independently tested inverse solutions, including a linearly constrained minimum variance (LCMV) beamformer and exact low-resolution electromagnetic tomography (eLORETA). Several machine learning classifiers were also evaluated, including Support Vector Machine (SVM) and Logistic Regression with L1 penalty (GLMNET). Initial results showed that combining MRI features with source-based MEG features yielded the best performance based exclusively on spectral features (Acc=76.31±1.47%) using the GLMNET classifier. MEG features alone, particularly those extracted from LCMV and eLORETA analyses, demonstrated good performance (Acc=74.77±1.57%), surpassing MRI- and sensor-based analyses using an SVM classifier (Acc=72.74±1.34% and Acc=69.29±1.68% respectively). However, ongoing more advanced analyses relying on features extracted from LCMV and eLORETA and derived functional connectivity solutions (coherence - COH, imaginary COH - iCOH, wPLI, AEC, EIC) have surpassed these and previous benchmarks for the BioFIND dataset (Acc=94.91±0.01%, F1=94.63±0.01%, MCC=94.96±0.01% for MEGMAG-LCMV-wPLI; Acc=93.29±0.01%, F1=93.14±0.01%, MCC=93.30±0.01% for MEGMAG-LCMV-EIC; Acc=92.16±0.01%, F1=92.16±0.01%, MCC=93.30±0.01% for MEGGRAD-LCMV-EIC), while using a similar pipeline. Our findings highlight the potential of using MEG signals to find MCI biomarkers, supporting critical early intervention. They also provide evidence on potential "best" approaches to analysing magneto-electroencephalography-based brain activity.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».