Classification of negative and positive 18F-florbetapir brain PET studies in subjective cognitive decline patients using a convolutional neural network
Notice bibliographique
Résumé
Abstract Purpose Visual reading of 18F-florbetapir positron emission tomography (PET) scans is used in the diagnostic process of patients with cognitive disorders for assessment of amyloid-ß (Aß) depositions. However, this can be time-consuming, and difficult in case of borderline amyloid pathology. Computer-aided pattern recognition can be helpful in this process but needs to be validated. The aim of this work was to develop, train, validate and test a convolutional neural network (CNN) for discriminating between Aß negative and positive 18F-florbetapir PET scans in patients with subjective cognitive decline (SCD). Methods 18F-florbetapir PET images were acquired and visually assessed. The SCD cohort consisted of 133 patients from the SCIENCe cohort and 22 patients from the ADNI database. From the SCIENCe cohort, standardized uptake value ratio (SUVR) images were computed. From the ADNI database, SUVR images were extracted. 2D CNNs (axial, coronal and sagittal) were built to capture features of the scans. The SCIENCe scans were randomly divided into training and validation set (5-fold cross-validation), and the ADNI scans were used as test set. Performance was evaluated based on average accuracy, sensitivity and specificity from the cross-validation. Next, the best performing CNN was evaluated on the test set. Results The sagittal 2D-CNN classified the SCIENCe scans with the highest average accuracy of 99% ± 2 (SD), sensitivity of 97% ± 7 and specificity of 100%. The ADNI scans were classified with a 95% accuracy, 100% sensitivity and 92.3% specificity. Conclusion The 2D-CNN algorithm can classify Aß negative and positive 18F-florbetapir PET scans with high performance in SCD patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».