Feature abstraction for early detection of multi-type of dementia with sparse auto-encoder
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With millions of people suffering from dementia worldwide, the global prevalence of dementia has a significant impact on the patients' lives, their caregivers' physical and emotional states, and the global economy. Early diagnosis of dementia helps in finding suitable therapies that reduce or even prevent further deterioration of patients' cognitive abilities. MRI scans are shown to be the most effective strategy to enable early diagnosis of dementia. Nevertheless, the early diagnosis of dementia is a challenging task due to the high dimensionality of MRI scans that may degrade the effectiveness of machine learning models. Feature abstraction is a part of dimensionality reduction process need by researchers to represent input data in its simplest form that results in a more-robust system model. It is a technique that collects relevant features and ignores irrelevant or redundant ones from data without loss of much key information. This paper proposes a novel feature abstraction method using sparse autoencoder (SAE) to reduce the dimensionality of and extract key features from MRI neuroimages. These features and that obtained from the popular PCA approach are then used to train a Linear Discriminant Analysis (LDA) and Logistic Regression classifiers in order to compare their prediction accuracy. The experimental results show that the proposed approach yields higher classification accuracy compared to that using the PCA by 8 percent of classification accuracy. The experimental results show that the use of features learned by SAE in early diagnosis of multi-type dementia provides better classification performance than the use of raw image pixel intensities for diagnosing dementia.
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.
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 | 0,000 | 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 | 0,000 |
| 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 découle