Multi-Modality Sparse Representation for Alzheimer’s Disease Classification
Notice bibliographique
Résumé
BACKGROUND: Alzheimer's disease (AD) and mild cognitive impairment (MCI) are age-related neurodegenerative diseases characterized by progressive loss of memory and irreversible cognitive functions. The hippocampus, a brain area critical for learning and memory processes, is especially susceptible to damage at early stages of AD. OBJECTIVE: We aimed to develop prediction model using a multi-modality sparse representation approach. METHODS: We proposed a sparse representation approach to the hippocampus using structural T1-weighted magnetic resonance imaging (MRI) and 18-fluorodeoxyglucose-positron emission tomography (FDG-PET) to distinguish AD/MCI from healthy control subjects (HCs). We considered structural and function information for the hippocampus and applied a sparse patch-based approach to effectively reduce the dimensions of neuroimaging biomarkers. RESULTS: In experiments using Alzheimer's Disease Neuroimaging Initiative data, our proposed method demonstrated more reliable than previous classification studies. The effects of different parameters on segmentation accuracy were also evaluated. The mean classification accuracy obtained with our proposed method was 0.94 for AD/HCs, 0.82 for MCI/HCs, and 0.86 for AD/MCI. CONCLUSION: We extracted multi-modal features from automatically defined hippocampal regions of training subjects and found this method to be discriminative and robust for AD and MCI classification. The extraction of features in T1 and FDG-PET images is expected to improve classification performance due to the relationship between brain structure and function.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 ».