Comparison of the WEKA and SVM-light based on support vector machine in classifying Alzheimer’s disease using structural features from brain MR imaging
Notice bibliographique
Résumé
Abstract The aim was to compare the WEKA and SVM-light software based on support vector machine (SVM) algorithm using features from brain T1-weighted MRI for differentiating AD patients and normal elderly subjects. The FreeSurfer software was used to extract cerebral volumes and thicknesses from T1-weighted brain MRI (100 AD patients and 100 normal elderly subjects). Seven structures were selected based on literature reviews consisting of hippocampus and amygdala volume, entorhinal cortex thickness of both hemispheres, and total gray matter volume. Relative volume of hippocampus, amygdala, and total gray matter were normalized by total intracranial volume (TIV). Fifteen combinations of seven structures were applied as input features to WEKA and SVM-light. The receiver operating characteristic (ROC) analysis and area under the curve (AUC) were used to evaluate the classification performance. The combination of hippocampus relative volume and entorhinal cortex thickness provided the highest classification performance and the AUC values were 0.913 and 0.918 for WEKA and SVM-light, respectively. There was no statistically difference of the AUC values (p-value > 0.05) between two software using the same input features. In conclusion, there was no statistically difference between the use of WEKA and SVM-light software for differentiating AD patients and normal elderly subjects.
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 ».