Classification and early detection of dementia and cognitive decline with magnetic resonance imaging
Notice bibliographique
Résumé
<p>Dementie is een\nverwoestende ziekte waar wereldwijd miljoenen mensen aan leiden. De meest\nvoorkomende oorzaak van dementie is de ziekte van Alzheimer. Voor het\nontwikkelen van effectieve behandelingen is het belangrijk om dementie in een\nvroeg stadium te detecteren. <br />\nTraditioneel alzheimeronderzoek is voornamelijk gericht op groepsverschillen\ntussen patiënten en controles. Recent onderzoek is deels verschoven naar\nindividuele classificatie met machine learning. In dit proefschrift onderzoeken\nwe het gebruik van magnetic resonance imaging (MRI) voor automatische detectie\nvan de ziekte van Alzheimer, en vroege detectie van cognitieve achteruitgang. <br />\nIn dit proefschrift laten we zien dat het combineren van MRI modaliteiten de\nclassificatie kan verbeteren. Ook laten we zien dat diffusie MRI een goede maat\nis om alzheimer te diagnosticeren.<br />\nBij toepassing van dezelfde methoden op een groep presymptomatische gendragers\ndie amyloïdangiopathie zullen ontwikkelen vonden we geen verschillen tussen de\ngendragers en controles. Tevens waren we niet in staat om cognitieve\nachteruitgang na 4 jaar te voorspellen in een groep ouderen met verhoogd risico\nop achteruitgang.<br />\nMet MRI kunnen betrouwbare individuele uitspraken gedaan kan worden over patiënten,\nmaar het is met de huidige methoden niet gevoelig voor vroege detectie van\ncognitieve achteruitgang.<br /></p>
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 | 0,000 | 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 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 ».