The Use of Random Forests to Identify Brain Regions on Amyloid and FDG PET Associated With MoCA Score
Notice bibliographique
Résumé
PURPOSE: The aim of this study was to evaluate random forests (RFs) to identify ROIs on F-florbetapir and F-FDG PET associated with Montreal Cognitive Assessment (MoCA) score. MATERIALS AND METHODS: Fifty-seven subjects with significant white matter disease presenting with either transient ischemic attack/lacunar stroke or mild cognitive impairment from early Alzheimer disease, enrolled in a multicenter prospective observational trial, had MoCA and F-florbetapir PET; 55 had F-FDG PET. Scans were processed using the MINC toolkit to generate SUV ratios, normalized to cerebellar gray matter (F-florbetapir PET), or pons (F-FDG PET). SUV ratio data and MoCA score were used for supervised training of RFs programmed in MATLAB. RESULTS: F-Florbetapir PETs were randomly divided into 40 training and 17 testing scans; 100 RFs of 1000 trees, constructed from a random subset of 16 training scans and 20 ROIs, identified ROIs associated with MoCA score: right posterior cingulate gyrus, right anterior cingulate gyrus, left precuneus, left posterior cingulate gyrus, and right precuneus. Amyloid increased with decreasing MoCA score. F-FDG PETs were randomly divided into 40 training and 15 testing scans; 100 RFs of 1000 trees, each tree constructed from a random subset of 16 training scans and 20 ROIs, identified ROIs associated with MoCA score: left fusiform gyrus, left precuneus, left posterior cingulate gyrus, right precuneus, and left middle orbitofrontal gyrus. F-FDG decreased with decreasing MoCA score. CONCLUSIONS: Random forests help pinpoint clinically relevant ROIs associated with MoCA score; amyloid increased and F-FDG decreased with decreasing MoCA score, most significantly in the posterior cingulate gyrus.
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 | 0,001 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».