A Nonparametric Approach for Mild Cognitive Impairment to AD Conversion Prediction: Results on Longitudinal Data
Notice bibliographique
Résumé
The goal of this study is to introduce a nonparametric technique for predicting conversion from Mild Cognitive impairment (MCI)-to-Alzheimer's disease (AD). Progression of a slowly progressing disease such as AD benefits from the use of longitudinal data; however, research till now is limited due to the insufficient patient data and short follow-up time. A small dataset size invalidates the estimation of underlying disease progression model; hence, a supervised nonparametric method is proposed. While depicting a real-world setting, longitudinal data of three years are employed for training, whereas only the baseline visit's data is used for validation. The train set is preprocessed for extraction of two dense clusters representing the subjects who remain stable at MCI or progress to AD after three years of the baseline visit. Similarity between these clusters and the test point is calculated in Euclidean space. Multiple features from two modalities of biomarkers, i.e., neuropsychological measures (NM) and structural magnetic resonance imaging (MRI) morphometry are also analyzed. Due to the limited MCI dataset size (NM: 145, MRI: 52, NM+MRI: 29), leave-one-out cross validation setup is employed for performance evaluation. The algorithm performance is noted for both unimodal case and bimodal cases. Superior performance (accuracy: 89.66%, sensitivity: 87.50%, specificity: 92.31%, precision: 93.33%) is delivered by multivariate predictors. Three notable conclusions of this study are: 1) Longitudinal data are more powerful than the temporal data, 2) MRI is a better predictor of MCI-to-AD conversion than NM, and 3) multivariate predictors outperform single predictor models.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».