Bias-adjustment in neuroimaging-based brain age frameworks: A robust scheme
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
The level of prediction error in the brain age estimation frameworks is associated with the authenticity of statistical inference on the basis of regression models. In this paper, we present an efficacious and plain bias-adjustment scheme using chronological age as a covariate through the training set for downgrading the prediction bias in a Brain-age estimation framework. We applied proposed bias-adjustment scheme coupled by a machine learning-based brain age framework on a large set of metabolic brain features acquired from 675 cognitively unimpaired adults through fluorodeoxyglucose positron emission tomography data as the training set to build a robust Brain-age estimation framework. Then, we tested the reliability of proposed bias-adjustment scheme on 75 cognitively unimpaired adults, 561 mild cognitive impairment patients as well as 362 Alzheimer's disease patients as independent test sets. Using the proposed method, we gained a strong R2 of 0.81 between the chronological age and brain estimated age, as well as an excellent mean absolute error of 2.66 years on 75 cognitively unimpaired adults as an independent set; whereas an R2 of 0.24 and a mean absolute error of 4.71 years was achieved without bias-adjustment. The simulation results demonstrated that the proposed bias-adjustment scheme has a strong capability to diminish prediction error in brain age estimation frameworks for clinical settings.
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 | 0,001 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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