Prediction and Modeling of Neuropsychological Scores in Alzheimer’s Disease Using Multimodal Neuroimaging Data and Artificial Neural Networks
Notice bibliographique
Résumé
Background: In recent years, predicting and modeling the progression of Alzheimer’s disease (AD) based on neuropsychological tests has become increasingly appealing in AD research. Objective: In this study, we aimed to predict the neuropsychological scores and investigate the non-linear progression trend of the cognitive declines based on multimodal neuroimaging data. Methods: We utilized unimodal/bimodal neuroimaging measures and a non-linear regression method (based on artificial neural networks) to predict the neuropsychological scores in a large number of subjects (n = 1143), including healthy controls (HC) and patients with mild cognitive impairment non-converter (MCI-NC), mild cognitive impairment converter (MCI-C), and AD. We predicted two neuropsychological scores, i.e., the clinical dementia rating sum of boxes (CDRSB) and Alzheimer’s disease assessment scale cognitive 13 (ADAS13), based on structural magnetic resonance imaging (sMRI) and positron emission tomography (PET) biomarkers. Results: Our results revealed that volumes of the entorhinal cortex and hippocampus and the average fluorodeoxyglucose (FDG)-PET of the angular gyrus, temporal gyrus, and posterior cingulate outperform other neuroimaging features in predicting ADAS13 and CDRSB scores. Compared to a unimodal approach, our results showed that a bimodal approach of integrating the top two neuroimaging features (i.e., the entorhinal volume and the average FDG of the angular gyrus, temporal gyrus, and posterior cingulate) increased the prediction performance of ADAS13 and CDRSB scores in the converting and stable stages of MCI and AD. Finally, a non-linear AD progression trend was modeled to describe the cognitive decline based on neuroimaging biomarkers in different stages of AD. Conclusion: Findings in this study show an association between neuropsychological scores and sMRI and FDG-PET biomarkers from normal aging to severe AD.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».