A simple classification framework for predicting Alzheimer’s disease from region-based grey matter volume and APOE genotype status
Notice bibliographique
Résumé
Alzheimer’s Disease (AD) is a prevalent neurodegenerative disease currently affecting more than 47 million people in the world. There are now many complex classifiers that can accurately distinguish AD patients from healthy controls, based on the subject’s structural magnetic resonance imaging (MRI) brain scan. Most such automated diagnostic systems are blackboxes: While their predictions are accurate, it is difficult for clinicians to interpret those predictions, due to the large number of features used by the classifier, and/or by the complexity of that classifier. This work demonstrates that an automated learning algorithm can produce a simple classifier that can correctly distinguish AD patients from healthy controls (HC) similar to its more-complex counterparts. Here we buildthis classifier from the data in the Alzheimer’s Disease Neuroimaging Initiative database, using a fairly small set of features, including grey matter volumes of 33 regions of interest derived from structural MRI, as well as the APOE genotype. We first considered three simple base-learners that each produce a classifier that is simple and interpretable. Running our overall learner, involving standard feature selection processes and these simple base-learners, on these features, produced a 7-feature elastic net model, EN7, that achieved accuracy of 89.28% on the test set. Next, we ran the same overall learner using two more-complex base-learners over the same initial dataset. The accuracy of the best model here was 90.47%, which was not statistically different from the performance of our much simpler EN7 model.
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 ».