Differentiating Dementia with Lewy Bodies and Alzheimer's Disease by Deep Learning to Structural MRI
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Dementia with Lewy bodies (DLB) is the second most prevalent cause of degenerative dementia next to Alzheimer's disease (AD). Though current DLB diagnostic criteria employ several indicative biomarkers, relative preservation of the medial temporal lobe as revealed by structural MRI suffers from low sensitivity and specificity, making them unreliable as sole supporting biomarkers. In this study, we investigated how a deep learning approach would be able to differentiate DLB from AD with structural MRI data. METHODS: Two-hundred and eight patients (101 DLB, 69 AD, and 38 controls) participated in this retrospective study. Gray matter images were extracted using voxel-based morphometry (VBM). In order to compare the conventional statistical analysis with deep-learning feature extraction, we built a classification model for DLB and AD with a residual neural network (ResNet) type of convolutional neural network architecture, which is one of the deep learning models. The anatomically standardized gray matter images extracted in the same way as for the VBM process were used as inputs, and the classification performance achieved by our model was evaluated. RESULTS: Conventional statistical analysis detected no significant atrophy other than fine differences on the middle temporal pole and hippocampal regions. The feature extracted by the deep learning method differentiated DLB from AD with 79.15％ accuracy compared to the 68.41% of the conventional method. CONCLUSIONS: Our results confirmed that the deep learning method with gray matter images can detect fine differences between DLB and AD that may be underestimated by the conventional method.
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.
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 découle