The Use of Random Forests to Classify Amyloid Brain PET
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: To evaluate random forests (RFs) as a supervised machine learning algorithm to classify amyloid brain PET as positive or negative for amyloid deposition and identify key regions of interest for stratification. METHODS: The data set included 57 baseline F-florbetapir (Amyvid; Lilly, Indianapolis, IN) brain PET scans in participants with severe white matter disease, presenting with either transient ischemic attack/lacunar stroke or mild cognitive impairment from early Alzheimer disease, enrolled in a multicenter prospective observational trial. Scans were processed using the MINC toolkit to generate SUV ratios, normalized to cerebellar gray matter, and clinically read by 2 nuclear medicine physicians with interpretation based on consensus (35 negative, 22 positive). SUV ratio data and clinical reads were used for supervised training of an RF classifier programmed in MATLAB. RESULTS: A 10,000-tree RF, each tree using 15 randomly selected cases and 20 randomly selected features (SUV ratio per region of interest), with 37 cases for training and 20 cases for testing, had sensitivity = 86% (95% confidence interval [CI], 42%-100%), specificity = 92% (CI, 64%-100%), and classification accuracy = 90% (CI, 68%-99%). The most common features at the root node (key regions for stratification) were (1) left posterior cingulate (1039 trees), (2) left middle frontal gyrus (1038 trees), (3) left precuneus (857 trees), (4) right anterior cingulate gyrus (655 trees), and (5) right posterior cingulate (588 trees). CONCLUSIONS: Random forests can classify brain PET as positive or negative for amyloid deposition and suggest key clinically relevant, regional features for classification.
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.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,002 | 0,001 |
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 découle