Alzheimer's disease: 3‐Dimensional MRI texture for prediction of conversion from mild cognitive impairment
Notice bibliographique
Résumé
Abstract Introduction Currently, there are no tools that can accurately predict which patients with mild cognitive impairment (MCI) will progress to Alzheimer's disease (AD). Texture analysis uses image processing and statistical methods to identify patterns in voxel intensities that cannot be appreciated by visual inspection. Our main objective was to determine whether MRI texture could be used to predict conversion of MCI to AD. Methods A method of 3‐dimensional, whole‐brain texture analysis was used to compute texture features from T1‐weighted MR images. To assess predictive value, texture changes were compared between MCI converters and nonconverters over a 3‐year observation period. A predictive model using texture and clinical factors was used to predict conversion of patients with MCI to AD. This model was then tested on ten randomly selected test groups from the data set. Results Texture features were found to be significantly different between normal controls (n = 225), patients with MCI (n = 382), and patients with AD (n = 183). A subset of the patients with MCI were used to compare between MCI converters (n = 98) and nonconverters (n = 106). A composite model including texture features, APOE ‐ε4 genotype, Mini‐Mental Status Examination score, sex, and hippocampal occupancy resulted in an area under curve of 0.905. Application of the composite model to ten randomly selected test groups (nonconverters = 26, converters = 24) predicted MCI conversion with a mean accuracy of 76.2%. Discussion Early texture changes are detected in patients with MCI who eventually progress to AD dementia. Therefore, whole‐brain 3D texture analysis has the potential to predict progression of patients with MCI to AD.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 tête enseignante, 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 ».