P2‐222: Clinical Feature vs Artificial Intelligence Feature: Risk Factor Analysis Based on Deep Learning
Notice bibliographique
Résumé
Alzheimer’s disease (AD) is one of the major causes of dementia costing billions of dollars annually, which imposes enormous burden on the health care system. Due to the complexity of AD pathology, less than 50% of the patients are correctly diagnosed. Therefore, an efficient and accurate diagnosis system is of vital importance. In this work, we propose a deep artificial neural network based system. Moreover, we evaluate the heterogeneous medical data in terms of variable impact on diagnosis decision. The dataset used in this analysis is Alzheimer’s Disease Neuroimaging Initiative (ADNI) database. The data include medical imaging data and demographic information. The medical imaging data are processed by FreeSurfer to derive regional brain volumes. Demographic information, such as age, gender, level of education, year of onset, etc., is also included. We designed a deep learning neural network to evaluate the importance of medical variables. The ranking score of various medical variables are defined as how much it affects the system performance. Two ranking lists are presented from both artificial intelligence and clinical points of view. System performance is evaluated based on 2 tasks: diagnosis and prognosis. Our algorithm achieves very promising results, 85.1% for diagnosis and 80.3% for prognosis. Besides, we compare our algorithm against other algorithms: Support Vector Machines (SVM), Random Forest (RF), Decision Tree (DT) and Random Subspace (RS). The results reveal that deep learning neural network achieves advantageous results over other widely used methods. For risk factor analysis, age remains the 1st risk factor to both clinicians and proposed algorithm. However, hippocampal volume is not among the top risk factors for automatic diagnosis. Instead, the regions around hippocampus, e.g. 3rdVentricle, Occipital, etc., impose more impact on the diagnosis decision. We designed a general framework for AD diagnosis and prognosis. The proposed algorithm shows promising performance, indicating great potential for practical applications. Further analysis reveals the difference between artificial intelligence systems in terms of risk factor importance. This may due to the stronger ability of machine learning algorithms in identifying subtle changes in brain structures.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».