P4‐588: END‐TO‐END 3D‐CONVOLUTIONAL NEURAL NETWORK FOR PREDICTING CONVERSION FROM MILD COGNITIVE IMPAIRMENT TO ALZHEIMER'S DEMENTIA
Notice bibliographique
Résumé
Predicting conversion to Alzheimer's Dementia (AD) among Mild Cognitive Impairment (MCI) patients is invaluable for patient care, as well as in selection for clinical trials. This project utilized data from the Alzheimer's Disease Neuroimaging Initiative (ADNI) to develop end-to-end 3D-Convolutional Neural Network (3D-CNN) models to classify subjects who did not progress to AD (i.e., stable MCI or sMCI) vs. subjects who did progress to AD (i.e., progressive MCI or pMCI). 470 sMCI and 293 pMCI patients’ skull-stripped baseline structural MRI (sMRI) scans were collected from ADNI and pre-processed by using crop, pad, bias field correction, and affine linear alignment with FMRIB Software Library (FSL). Three separate 3D-CNN approaches were developed and compared. First, ImageNet models were implemented, using the Residual Network50 with an augmentation by Squeeze-Excitation Network, i.e. SE_ResNet50. Second, transfer learning was implemented. The domain knowledge of classifying stable Normal Control (sNC) vs. stable Dementia of Alzheimer's Type (sDAT) was transferred to a reduced version of ResNet50, i.e., ResNet35. Third, a customized version of ResNet29 was implemented, i.e. cResNet29, where a residual block consisting of ResNet29 was modified to drop ungeneralizable features. The cResNet29 produced the highest test classification accuracy, 72.81% and the SE_ResNet50 recorded the second highest test accuracy, 70.01%. Based on these results, we confirmed that customizing ResNet performed better than augmenting with additional Network. Transfer learning resulted in the 67.54%. It might imply that the domain knowledge of classifying sNC vs. sDAT is not helpful in classifying sMCI vs. pMCI.
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 | 0,001 | 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) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».