Identification of the Early Stage of Alzheimer's Disease Using Structural MRI and Resting-State fMRI
Notice bibliographique
Résumé
Accurate prediction of the early stage of Alzheimer's disease (AD) is important but very challenging. The goal of this study was to utilize predictors for diagnosis conversion to AD based on integrating resting-state functional MRI (rs-fMRI) connectivity analysis and structural MRI (sMRI). We included 177 subjects in this study and aimed at identifying patients with mild cognitive impairment (MCI) who progress to AD, MCI converter (MCI-C), patients with MCI who do not progress to AD, MCI non-converter (MCI-NC), patients with AD, and healthy controls (HC). The graph theory was used to characterize different aspects of the rs-fMRI brain network by calculating measures of integration and segregation. The cortical and subcortical measurements, e.g., cortical thickness, were extracted from sMRI data. The rs-fMRI graph measures were combined with the sMRI measures to construct input features of a support vector machine (SVM) and classify different groups of subjects. Two feature selection algorithms [i.e., the discriminant correlation analysis (DCA) and sequential feature collection (SFC)] were used for feature reduction and selecting a subset of optimal features. Maximum accuracy of 67 and 56% for three-group ("AD, MCI-C, and MCI-NC" or "MCI-C, MCI-NC, and HC") and four-group ("AD, MCI-C, MCI-NC, and HC") classification, respectively, were obtained with the SFC feature selection algorithm. We also identified hub nodes in the rs-fMRI brain network which were associated with the early stage of AD. Our results demonstrated the potential of the proposed method based on integration of the functional and structural MRI for identification of the early stage of 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 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 | 0,001 |
| 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 | 0,000 |
| 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) | 0,001 | 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 ».