IC‐P‐127: Statistical Analysis of Automated Hippocampal Volumes in ADNI Dataset Reveals Center and Group Variability
Notice bibliographique
Résumé
Hippocampal (HC) atrophy is a key diagnostic marker for Alzheimer's disease (AD). While manual segmentation by trained raters is the reference standard procedure for assessing HC volumes, a number of computer-based techniques have been proposed to automate this task. It is known in manual studies that different anatomical definitions and protocols result in heterogeneous estimates of normal HC volumes, from 2 to 5.3 cm3 (Geuze et al., Mol Psychiatry 2005;10:147-59). Our goal was to assess this variability by Centres and diagnostic Groups (AD, mild cognitive impairment (MCI) and controls (CTRL)) for automatically generated HC volumes. We downloaded automatically generated left and right HC volume data from the ADNI dataset (last access: Nov. 2009) for three different Centers: UCSF (FreeSurfer); UCSD (Semi-automated diffeomorphism); and U of Az. (SPM). Statistical analysis was performed using SAS (Cary, NC, USA). The total number of subjects available in the study was 766, from which 531 subjects had data from all three Centers. Summary statistics are presented in Table 1. Two-way ANOVA for left HC volumes showed statistically significant Center (p < 0.0001) and Group effects (p < 0.0001), as well as a weak interaction (Figure 1) leading to a significant Center by Group effect (p = 0.0001). Similar testing on right HC volumes showed equally significant Center (p < 0.0001) and Group effects (p < 0.0001), with smaller interaction (Figure 2) yet significant Center by Group effect (p = 0.0045).
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 | 0,008 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».