Prediction of Mild Cognitive Impairment Conversion Using a Combination of Independent Component Analysis and the Cox Model
Notice bibliographique
Résumé
Mild cognitive impairment (MCI) represents a transitional stage from normal aging to Alzheimer's disease (AD) and corresponds to a higher risk of developing AD. Thus, it is necessary to explore and predict the onset of AD in MCI stage. In this study, we propose a combination of independent component analysis (ICA) and the multivariate Cox proportional hazards regression model to investigate promising risk factors associated with MCI conversion among 126 MCI converters and 108 MCI non-converters from the Alzheimer's Disease Neuroimaging Initiative (ADNI) database. Using structural magnetic resonance imaging (MRI) and fluorodeoxyglucose positron emission tomography (FDG-PET) data, we extracted brain networks from AD and normal control groups via ICA and then constructed Cox models that included network-based neuroimaging factors for the MCI group. We carried out five separate Cox analyses and the two-modality neuroimaging Cox model identified three significant network-based risk factors with higher prediction performance (accuracy = 73.50%) than those in either single-modality model (accuracy = 68.80%). Additionally, the results of the comprehensive Cox model, including significant neuroimaging factors and clinical variables, demonstrated that MCI individuals with reduced gray matter volume in a temporal lobe-related network of structural MRI [hazard ratio (HR) = 8.29E-05 (95% confidence interval (CI), 5.10E- 07 ~ 0.013)], low glucose metabolism in the posterior default mode network based on FDG-PET [HR = 0.066 (95% CI, 4.63E-03 ~ 0.928)], positive apolipoprotein E ε4-status [HR = 1. 988 (95% CI, 1.531 ~ 2.581)], increased Alzheimer's Disease Assessment Scale-Cognitive Subscale scores [HR = 1.100 (95% CI, 1.059 ~ 1.144)] and Sum of Boxes of Clinical Dementia Rating scores [HR = 1.622 (95% CI, 1.364 ~ 1.930)] were more likely to convert to AD within 36 months after baselines. These significant risk factors in such comprehensive Cox model had the best prediction ability (accuracy = 84.62%, sensitivity = 86.51%, specificity = 82.41%) compared to either neuroimaging factors or clinical variables alone. These results suggested that a combination of ICA and Cox model analyses could be used successfully in survival analysis and provide a network-based perspective of MCI progression or AD-related studies.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».