Alzheimer’s disease diagnosis based on the Hippocampal Unified Multi-Atlas Network (HUMAN) algorithm
Notice bibliographique
Résumé
BACKGROUND: Hippocampal atrophy is a supportive feature for the diagnosis of probable Alzheimer's disease (AD). However, even for an expert neuroradiologist, tracing the hippocampus and measuring its volume is a time consuming and extremely challenging task. Accordingly, the development of reliable fully-automated segmentation algorithms is of paramount importance. MATERIALS AND METHODS: The present study evaluates (i) the precision and the robustness of the novel Hippocampal Unified Multi-Atlas Network (HUMAN) segmentation algorithm and (ii) its clinical reliability for AD diagnosis. For these purposes, we used a mixed cohort of 456 subjects and their T1 weighted magnetic resonance imaging (MRI) brain scans. The cohort included 145 controls (CTRL), 217 mild cognitive impairment (MCI) subjects and 94 AD patients from Alzheimer's Disease Neuroimaging Initiative (ADNI). For each subject the baseline, repeat, 12 and 24 month follow-up scans were available. RESULTS: = 0.76 ± 0.05. The algorithm is stable and reproducible over time, even for 24 month follow-up scans. CONCLUSIONS: The experimental results demonstrate HUMAN is a precise segmentation algorithm, besides hippocampal volumes, provided by HUMAN, can effectively support the diagnosis of Alzheimer's disease and become a useful tool for other neuroimaging applications.
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 | 0,004 | 0,008 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».