IC‐P‐137: Combining Two Large MRI Data Sets (AddNeuroMed and ADNI) Using Multivariate Data Analysis to Distinguish between Patients with Alzheimer's Disease and Healthy Controls
Notice bibliographique
Résumé
The European Union AddNeuroMed project and the US-based Alzheimer Disease Neuroimaging Initiative (ADNI) are two large multi-centre initiatives designed to analyse and validate biomarkers for AD. This study aims to compare and combine magnetic resonance imaging (MRI) data from the two study cohorts using an automated image analysis pipeline and multivariate data analysis. A total of 664 subjects were included in this study (AddNeuroMed: 126 AD, 115 CTL, ADNI: 194 AD, 229 CTL) Data acquisition for the AddNeuroMed project was set up to be compatible with the ADNI study and the high resolution sagital 3D T1w MP-RAGE datasets used for image analysis. Regional segmentation of the brain was carried out using the multi-scale ANIMAL image analysis technique (Automated Non-linear Image Matching and Anatomical Labeling). Cortical thickness measurements were performed using CLASP. A total of 24 measures were pooled together for multivariate analysis using the OPLS method (orthogonal partial least squares). Models were created for the two cohorts and for the combined cohorts to discriminate between AD patients and controls. Finally the ADNI cohort was used as a replication dataset to validate the model created for the AddNeuroMed cohort. Using cross-validation, we achieved the following values: AddNeuroMed cohort: sensitivity = 79%, specificity = 86%; ADNI cohort: sensitivity = 79%, specificity = 87%; both cohorts combined: sensitivity = 83%, specificity = 83%. Using the AddNeuroMed cohort as a training set and validating the model with the ADNI cohort resulted in a sensitivity of 78% and specificity of 87%. All three models created showed very similar results. Examples of important variables for discriminating between AD and CTL included temporal lobe grey matter volume, total CSF volume and mean cortical thickness. Multivariate data analysis is a powerful tool for distinguishing between different patient groups. The AddNeuroMed, ADNI and combined cohorts showed similar patterns of atrophy and the predictive power was very similar. This demonstrates that the methods used are robust and that large data sets can be combined if MRI imaging protocols are carefully aligned.
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 | 0,007 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».