IC‐P‐087: Multivariate Analysis of MRI Data to Discriminate between Groups and Predict Conversion in Alzheimer's Disease
Notice bibliographique
Résumé
Alzheimer's disease (AD) is one of the most common forms of neurodegenerative disorders connected with gradual loss of cognitive functions such as episodic memory. We used multivariate data analysis, more specifically orthogonal partial least squares to latent structures (OPLS) , to discriminate between subjects with AD, mild cognitive impairment (MCI) and elderly control subjects (CTL) using global and regional MRI volumetric measures. 117 AD patients (mean (sd) age = 75(6) years, MMSE = 21(5)), 122 MCI patients (74(6) years, MMSE = 27(3)) and 112 CTL (73(7) years, MMSE = 29(1)) from the multi-centre European AddNeuroMed study were included. High resolution sagital 3D T1w MP-RAGE datasets were acquired. Automated regional segmentation and manual outlining of the hippocampus were applied. Altogether this yielded 24 different volumetric measures used for OPLS analyses comparing the different patient groups. 17 AD subjects, 12 CTL were randomly selected out of the cohort and the 22 MCI subjects which converted to AD at one year clinical follow-up were left out of the analysis. This was performed to acquire equal group size when creating the models and to have a small external test for validation. Using seven-fold-cross-validation we received a sensitivity of 87% and a specificity of 90% using hippocampal measures alone, comparing AD with CTL. Adding global and regional measures to the hippocampal measurements resulted in a sensitivity of 90% and a specificity of 94%. This increase in sensitivity and specificity resulted in an increase of the positive likelihood ratio from 9 to 15. The original model including all measures could predict 82% of the AD patients and 83% of the CTL correctly from the left out data. Finally, 72% of MCI converters were correctly predicted as AD. Hippocampal volumes, regional temporal gray matter volumes and total CSF volume were particularly important for separation of the groups. Multivariate analysis of regional MRI measures shows excellent potential for distinguishing between AD patients and CTL. Combining MRI measures together resulted in a significantly better classification than using them separately. OPLS also shows potential for predicting conversion from MCI to AD.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».