MRI data-driven algorithm for the diagnosis of behavioural variant frontotemporal dementia
Notice bibliographique
Résumé
INTRODUCTION: Structural brain imaging is paramount for the diagnosis of behavioural variant of frontotemporal dementia (bvFTD), but it has low sensitivity leading to erroneous or late diagnosis. METHODS: A total of 515 subjects from two different bvFTD cohorts (training and independent validation cohorts) were used to perform voxel-wise morphometric analysis to identify regions with significant differences between bvFTD and controls. A random forest classifier was used to individually predict bvFTD from deformation-based morphometry differences in isolation and together with semantic fluency. Tenfold cross validation was used to assess the performance of the classifier within the training cohort. A second held-out cohort of genetically confirmed bvFTD cases was used for additional validation. RESULTS: Average 10-fold cross-validation accuracy was 89% (82% sensitivity, 93% specificity) using only MRI and 94% (89% sensitivity, 98% specificity) with the addition of semantic fluency. In the separate validation cohort of definite bvFTD, accuracy was 88% (81% sensitivity, 92% specificity) with MRI and 91% (79% sensitivity, 96% specificity) with added semantic fluency scores. CONCLUSION: Our results show that structural MRI and semantic fluency can accurately predict bvFTD at the individual subject level within a completely independent validation cohort coming from a different and independent database.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».