Machine learning identified an Alzheimer’s disease-related FDG-PET pattern which is also expressed in Lewy body dementia and Parkinson’s disease dementia
Notice bibliographique
Résumé
Utilizing the publicly available neuroimaging database enabled by Alzheimer's disease Neuroimaging Initiative (ADNI; http://adni.loni.usc.edu/ ), we have compared the performance of automated classification algorithms that differentiate AD vs. normal subjects using Positron Emission Tomography (PET) with fluorodeoxyglucose (FDG). General linear model, scaled subprofile modeling and support vector machines were examined. Among the tested classification methods, support vector machine with Iterative Single Data Algorithm produced the best performance, i.e., sensitivity (0.84) × specificity (0.95), by 10-fold cross-validation. We have applied the same classification algorithm to four different datasets from ADNI, Health Science Centre (Winnipeg, Canada), Dong-A University Hospital (Busan, S. Korea) and Asan Medical Centre (Seoul, S. Korea). Our data analyses confirmed that the support vector machine with Iterative Single Data Algorithm showed the best performance in prediction of future development of AD from the prodromal stage (mild cognitive impairment), and that it was also sensitive to other types of dementia such as Parkinson's Disease Dementia and Dementia with Lewy Bodies, and that perfusion imaging using single photon emission computed tomography may achieve a similar accuracy to that of FDG-PET.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».