Relating occlusion maps obtained through deep learning to functional impairment in dementia of Alzheimer’s type
Notice bibliographique
Résumé
Abstract Background Predicting the conversion from Mild Cognitive Impairment (MCI) into Dementia of the Alzheimer’s type (DAT) and functional change is crucial to patient care and treatment. In order to visualize brain regions which are significant in the prediction, we implemented an occlusion map based on deep learning. Method Using T1‐weighted structural MRI data from ADNI, 3D convolutional neural network was trained to predict the conversion from MCI to DAT through a transfer learning pipeline. The model resulted in an 82.4% classification accuracy on an independent test set. An occlusion map was subsequently generated as follows. Each brain scan was occluded by 2x2x2 voxel patch iterated through every position in the brain. The model produced a prediction score corresponding to the location of the occlusion patch to identify important voxels for the model’s prediction at the subject level. Mean intensity value within the occlusion map was obtained in Gray Matter. This was used to correlate to clinical scores’ rate of change, which include Clinical Dementia Rating‐Sum of Boxes (CDRSB), Alzheimer’s Disease Assessment Scale – cognitive 11 item (ADAS11) and cognitive 13 item (ADAS13), Mini Mental State Exam (MMSE), Rey Auditory Verbal Learning Test (RAVLT) – RAVLT Immediate (IMD), RAVLT Learning (LRN), RAVLT Forgetting (FRG), RAVLT Percent Forgetting (PCF), and Functional Activities Questionnaire (FAQ). Result The occlusion map identified regions important to the prediction of conversion. Mean intensity values of the gray matter within the occlusion map showed significant correlation with behavior measures: decreased intensity (indicating gray matter loss) was associated with decreased memory performance as measured by RAVLT immediate recall performance, increased cognitive dysfunction as measured by ADAS11, ADAS13, and increased daily living deficits as measured by FAQ. Conclusion These results indicate brain regions associated with cognitive change during conversion from MCI to DAT. These regions provide validity of the deep learning model’s results and provide insights on patient functional changes during conversion.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».