IC‐P‐057: Automatic Anatomical Structure Segmentation Predicts Conversion from MCI to Alzheimer's Disease
Notice bibliographique
Résumé
Volumetry of certain structures has demonstrated discriminative power to predict conversion from MCI to AD. We have previously developed tools to automatically segment hippocampus (HC) [Collins, ICAD09], lateral ventricles [Fonov, ISMRM2010] and other anatomical structures from MRI data [Collins, Human Brain Mapping 1995;3:190-208]. We applied these tools to a subset of baseline MCI data from the Alzheimer's Disease Neuroimaging Initiative (ADNI). T1w 3D MPRAGE MRI data for 200 MCI subjects were randomly selected from the baseline scans of the ADNI database. By 12 months, follow-up data was available for 163 of the 200 subjects, where 36 of these (22% of followup) converted to AD (the remained stable or reverted to normal). By 24 months, follow-up data was available for 136 subjects of the 200 original MCI subjects, where 58 subjects (42.3% of followup) had converted to AD and 69 remained stable or reverted to normal. Our goal was to predict which MCI subjects would convert to AD using only the baseline MRI data. MRI data were corrected for image intensity non-uniformity [Sled, Trans Med Imag 1998;17:87-97], stereotaxically transformed [Collins, J Comput Assist Tomog 1994;18:192-205] and resampled onto a 1mm3 grid. ANIMAL+fusion was used to segment HC on the left and right sides and to segment lateral ventricle. Our ANIMAL model-based, automatic structure segmentation procedure was used to segment 36 other anatomical structures. All volumes were entered as features into a linear discriminant analysis (LDA). Using 10 optimally selected variables yields 73.9% accuracy, 69% sensitivity and 74% specificity for prediction of conversion at 12m. Important discriminatory variables included hippocampus, lateral ventricle, caudate, frontal white matter (WM) and parietal WM. (Noise in brain masking reduced discriminatory power of cortical structures). Prediction accuracy at 24m dropped to 65%. Automatic structure segmentation is robust and accurate and does not suffer from inter-rater variability. The structure volumes can be combine to create a linear discriminant function that predicts progression with high accuracy. Such a tool will enable enrichment of clinical trials and could be used for patient selection for early treatment.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».