Multimodal Hippocampal Subfield Grading For Alzheimer’s Disease Classification
Notice bibliographique
Résumé
Numerous studies have proposed biomarkers based on magnetic resonance imaging (MRI) to detect and predict the risk of evolution toward Alzheimer's disease (AD). Most of these methods have focused on the hippocampus, which is known to be one of the earliest structures impacted by the disease. To date, patch-based grading approaches provide among the best biomarkers based on the hippocampus. However, this structure is complex and is divided into different subfields, not equally impacted by AD. Former in-vivo imaging studies mainly investigated structural alterations of these subfields using volumetric measurements and microstructural modifications with mean diffusivity measurements. The aim of our work is to improve the current classification performances based on the hippocampus with a new multimodal patch-based framework combining structural and diffusivity MRI. The combination of these two MRI modalities enables the capture of subtle structural and microstructural alterations. Moreover, we propose to study the efficiency of this new framework applied to the hippocampal subfields. To this end, we compare the classification accuracy provided by the different hippocampal subfields using volume, mean diffusivity, and our novel multimodal patch-based grading framework combining structural and diffusion MRI. The experiments conducted in this work show that our new multimodal patch-based method applied to the whole hippocampus provides the most discriminating biomarker for advanced AD detection while our new framework applied into subiculum obtains the best results for AD prediction, improving by two percentage points the accuracy compared to the whole hippocampus.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».