Correlation-Aware Sparse and Low-Rank Constrained Multi-Task Learning for Longitudinal Analysis of Alzheimer's Disease
Notice bibliographique
Résumé
Alzheimer's disease (AD), as a severe neurodegenerative disease, is now attracting more and more researchers' attention in the healthcare. With the development of magnetic resonance imaging (MRI), the neuroimaging-based longitudinal analysis is gradually becoming an important research direction to understand and trace the process of the AD. In addition, regression analysis has been commonly adopted in the AD pattern analysis and progression prediction. However, most existing methods assume that all input features are equally related to the output variables, which ignore the difference in terms of the correlation. In this paper, we proposed a novel multi-task learning formulation, which considers a correlation-aware sparse and low-rank constrained regularization, for accurately predicting the cognitive scores of the patients at different time points and identifying the most predictive biomarkers. In addition, an efficient iterative algorithm is developed to optimize the proposed non-smooth convex objective formulation. We also have performed experiments using data from the AD neuroimaging initiative dataset to evaluate the proposed optimization formulation. Especially, we will predict cognitive scores of multiple time points through the baseline MRI features. The results not only indicate the rationality and correctness of the proposed method for predicting disease progression but also identify some stable and important MRI features that are consistent with the previous research.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».