发现神经退行性进展亚型：一种可扩展的连接组约束动态模型
Discovering Subtypes of Neurodegenerative Progression with a Scalable Connectome-Constrained Dynamic Model
浏览论文内容
中文总结 AI 辅助
提出连接组约束动态模型，从纵向形态学数据联合估计疾病时间与亚型，在PPMI队列中识别出四种与临床运动亚型和遗传变异显著对应的帕金森病进展亚型。
中文摘要 AI 辅助
帕金森病在临床和生物学上具有异质性，然而其时空进展特征仍未被充分刻画。我们提出了一种连接组约束的疾病进展模型，该模型能够从纵向形态学数据中联合估计受试者特定的疾病时间与数据驱动的亚型。将该模型应用于帕金森进展标志物倡议（PPMI）队列中的85项影像和临床生物标志物，模型恢复了四种形态学上不同的进展亚型。我们在一个保留的横断面数据集上验证了该模型，并在匹配的训练和验证方案下与SuStaIn进行了基准比较。只有我们的方法恢复了与帕金森病临床运动亚型和遗传变异显著对应的亚型。
英文摘要
Parkinson's disease is clinically and biologically heterogeneous, yet its spatiotemporal progression remains poorly characterized. We present a connectome-constrained disease progression model that jointly estimates subject-specific disease time and data-driven subtypes from longitudinal morphometry. Applied to 85 imaging and clinical biomarkers from the Parkinson's Progressive Markers Initiative (PPMI) cohort, the model recovers four morphologically distinct progression subtypes. We validate the model on a hold-out cross-sectional dataset and benchmark it against SuStaIn under a matched training and validation protocol. Only our method recovers subtypes that correspond significantly to clinical motor subtypes and genetic variants of Parkinson's Disease.
发表机构
- Illinois Institute of Technology（伊利诺伊理工学院）
- Amsterdam UMC（阿姆斯特丹大学医学中心）
- Inria, Université Côte d’Azur（法国国家信息与自动化研究所，蔚蓝海岸大学）
- University of Southern California（南加州大学）
机构由 AI 辅助整理，请以论文原文为准。
