Longitudinal Surface‐Based Morphometry Changes in the Hippocampus in Dementia
Notice bibliographique
Résumé
BACKGROUND: The hippocampus plays a critical role in Alzheimer's disease (AD), marked by brain atrophy and cognitive decline. AD pathology begins during the transition from healthy aging to mild cognitive impairment (MCI) and eventually AD, with memory impairment as a hallmark. While hippocampal volume reductions are well-documented, surface-based morphometric (SBM) features-curvature, gyrification, and thickness-remain less understood. METHOD: T1-weighted MRI data from 3.51 average annual scans (5,263 timepoints) across four phases of the Alzheimer's Disease Neuroimaging Initiative (ADNI) were analyzed using HippUnfold, a hippocampal subfield segmentation tool. Individuals (CN: 475; MCI: 673; AD: 269) were grouped by final clinical diagnosis to track cognitive trajectories: stable/non-progressors (n = 1017) and progressors (n = 301). Linear mixed effects models adjusted for age, education, sex, scanner-site, and eTIV evaluated hippocampal volume and surface metrics (CA1-CA4, DG, Subiculum, SRLM, and Cysts), with CN as the intercept. RESULTS: Focusing on CA1, the region most vulnerable to early AD, the stable AD group showed significant volume reductions (β = -1.05, p < .001) compared to CN (β = 3.88, p < .001). All SBM metrics (curvature, gyrification, and thickness) showed significant changes, with curvature in CN (β = -0.48, p < .001) and AD (β = 0.01, p < .001). Time-dependent interactions showed volume reductions in CN (β = -0.04, p < .001) and MCI (β = -0.07, p < .001), and increases in SBM metrics (all p's < .001). Cognitive domain analyses showed volume changes primarily affect memory and executive functioning, while SBM metrics influence language and visuospatial ability. Curvature influenced language (61.76%, p < .001) and visuospatial ability (32.35%, p < .001), while thickness affected language (57.14%, p < .001) and visuospatial ability (35.71%, p < .001). CONCLUSION: Hippocampal volume reductions are well-established markers of AD, but surface-based features like curvature, gyrification, and thickness provide additional insights, revealing changes that volume alone may miss. These findings highlight the importance of integrating surface-based metrics with volumetric analyses to improve understanding of disease mechanisms and interventions.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».