Investigating the Amyloid-Tau-Neurodegeneration Framework in Alzheimer’s Disease Using Semi-Supervised Multimodal Imaging Data Fusion
Notice bibliographique
Résumé
ABSTRACT INTRODUCTION Alzheimer’s disease (AD) is heterogeneous, complicating diagnosis and prognosis. Uncovering patterns that link abnormalities across amyloid-tau-neurodegeneration (A-T-N) framework may improve prediction of clinical diagnosis. METHODS We applied SuperBigFLICA (SBF), a semi-supervised multimodal data fusion method, to maps of gray matter density, cortical thickness, pial surface area, amyloid PET, and tau PET in 274 ADNI-3 participants. The model was trained to derive 50 latent components most predictive of a continuous measure of cognitive decline. Latent components’ subject loadings were subsequently used to predict diagnosis (cognitively normal, mild cognitive impairment, dementia) and APOE4 status using LASSO logistic regression, and were compared against demographic, single-modality, and naïve fusion baselines. RESULTS While SuperBigFLICA modestly predicted cognitive decline (r = 0.21), SBF loadings-based models outperformed baselines (AUROC = 0.80 for diagnosis; 0.83 for APOE4 ). Amyloid alterations in sensory areas along the sensory–association axis best separated dementia, while a multimodal A-T-N pattern was related to early cognitive decline. Subject loadings on these two patterns were associated with cerebrospinal fluid (CSF) biomarkers, highlighting how CSF AD biomarkers relate to spatial patterns of brain A-T-N burden. DISCUSSION Semi-supervised multimodal fusion improves prediction and reveals interpretable imaging patterns that predict APOE4 and clinical diagnoses better than traditional approaches.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».