Predicting Amyloid Pathology in Mild Cognitive Impairment Using Radiomics Analysis of Magnetic Resonance Imaging
Notice bibliographique
Résumé
BACKGROUND: Noninvasive identification of amyloid-β (Aβ) is important for better clinical management of mild cognitive impairment (MCI) patients. OBJECTIVE: To investigate whether radiomics features in the hippocampus in MCI improve the prediction of cerebrospinal fluid (CSF) Aβ42 status when integrated with clinical profiles. METHODS: A total of 407 MCI subjects from the Alzheimer's Disease Neuroimaging Initiative were allocated to training (n = 324) and test (n = 83) sets. Radiomics features (n = 214) from the bilateral hippocampus were extracted from magnetic resonance imaging (MRI). A cut-off of <192 pg/mL was applied to define CSF Aβ42 status. After feature selection, random forest with subsampling methods were utilized to develop three models with which to predict CSF Aβ42: 1) a radiomics model; 2) a clinical model based on clinical profiles; and 3) a combined model based on radiomics and clinical profiles. The prediction performances thereof were validated in the test set. A prediction model using hippocampus volume was also developed and validated. RESULTS: The best-performing radiomics model showed an area under the curve (AUC) of 0.674 in the test set. The best-performing clinical model showed an AUC of 0.758 in the test set. The best-performing combined model showed an AUC of 0.823 in the test set. The hippocampal volume model showed a lower performance, with an AUC of 0.543 in the test set. CONCLUSION: Radiomics models from MRI can help predict CSF Aβ42 status in MCI patients and potentially triage the patients for invasive and costly Aβ tests.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 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 | 0,001 | 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 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 ».