A Novel Early Diagnosis System for Mild Cognitive Impairment Based on Local Region Analysis: A Pilot Study
Notice bibliographique
Résumé
Alzheimer’s disease (AD) is an irreversible neurodegenerative disorder that accounts for 60% to 70% of cases of dementia in the elderly. An early diagnosis of AD is usually hampered for many reasons including the variable clinical and pathological features exhibited among affected individuals. This paper presents a computer-aided diagnosis (CAD) system with the primary goal of improving the accuracy, specificity, and sensitivity of diagnosis. In this system, PiB-PET scans, which were obtained from the ADNI database, underwent five essential stages. First, the scans were standardized and de-noised. Second, an Automated Anatomical Labeling (AAL) atlas was utilized to partition the brain into 116 regions or labels that served for local (region-based) diagnosis. Third, scale-invariant Laplacian of Gaussian (LoG) was used, per brain label, to detect the discriminant features. Fourth, the regions’ features were analyzed using a general linear model in the form of a two-sample t-test. Fifth, the support vector machines (SVM) and their probabilistic variant (pSVM) were constructed to provide local, followed by global diagnosis. The system was evaluated on scans of normal control (NC) versus mild cognitive impairment (MCI) (19 NC and 65 MCI scans). The proposed system showed superior accuracy, specificity, and sensitivity as compared to other related work.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».