IC‐P‐159: Voxel‐Wise Logistic Regression Improves Prediction Accuracy for Developing AD
Notice bibliographique
Résumé
Predicting clinical trajectories in populations at risk, permit enrich populations for disease modifying clinical trials. Recent developments in machine learning techniques have enabled us to achieve highly accurate predictions in multiple clinical applications. Here we demonstrate a novel data driven method to improve the accuracy of a Random Forest based classifier to predict the development of dementia. [18F]Florbetapir images were acquired for 275 MCI individuals from the ADNI cohort and the images were processed using an established PET image processing pipeline. Regional SUVr values were extracted from brain regions such as the Angular Gyrus, Supramarginal Gyrus, Posterior Cingulate Cortex and Precuneus which were identified to have a significant amyloid accumulation based on existing literature. 70%(192) and 30% of the population were labeled as the training set and the testing set, respectively. Data driven method included a Voxel-wise logistic regression analysis using the training population to identify anatomically significant brain regions with highest odds-ratios (ORs) to develop dementia. Two Random Forest based predictors were trained with the regional SUVr values based on literature and the data driven method respectively. Their performances were measured against the testing population. Voxel-wise logistic regression analysis indicated that brain regions including Orbitofrontal Cortex, Mid Frontal Sulci, Mid Temporal Sulci, Temporal Occipital junction, PCC, Angular Gyrus, Precuneus, Putamen and the Nucleus Accumbens have the highest OR values for a unit SD increase of [18F]Florbetapir [Figure 1]. The Random Forest predictor trained using regions based on literature achieved 79% and 78% as validation and testing accuracy (0.89 AUC) while the predictor based on the data driven method achieved 84% for both validation and testing accuracy (0.91 AUC). The Temporal Occipital junction, Mid Temporal Sulci and Mid Frontal Sulci regions indicated the highest contribution in predicting the development of dementia [Figure 2]. The data driven method using Voxel-wise logistic regression analysis have increased the accuracy of the Random Forest predictor and have outperforms the methods developed in previously published literature and can be a utilized as a valuable clinical framework. Regions with the highest OR values. Orbitofrontal Cortex, Mid Frontal Sulci, Mid Temporal Sulci, Temporal Occipital junction, PCC, Angular Gyrus, Precuneus, Putamen and the Nucleus Accumbens are indicated. ROC curves and features importance for the two predictors. a) predictor with the regions based on existing literature b) predictor based on Voxel-wise logistic regression.
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 | 0,006 | 0,015 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».