A machine learning enrichment strategy for presymptomatic cohorts in Alzheimer’s disease clinical trials
Notice bibliographique
Résumé
Abstract Background It is challenging for Alzheimer’s disease trials to enroll presymptomatic individuals who are likely to decline cognitively. We propose using a multimodal machine learning approach to discriminate between cognitively normal individuals who progressed to mild cognitive impairment (MCI) and those who remained stable over 48 months. Method Patterns of gray matter distribution, derived from structural MRI, associated with either healthy aging or Alzheimer’s disease were extracted from AIBL [1] (n=401). We processed images from 823 individuals deemed cognitively normal at baseline from NACC [2] (n=433), ADNI [3] (n=260), and OASIS‐3 [4] (n=130) and generated scores representing the spatial similarities between the gray matter distribution of each individual to the patterns produced from AIBL. Gray matter scores, MMSE, CDR‐SB, FAQ, APOE4 status, education, age, and sex were used to train a machine learning prognostic pipeline using the Foresight platform (Perceiv Research Inc.) to distinguish individuals who received a MCI diagnosis within 48 months from baseline (progressors) from those who remained stable. The model was trained and tested with 5‐fold inner‐loop cross‐validation. Result The model achieved a mean (± std) AUC of 0.752±0.045, accuracy of 70.72±2.44, sensitivity of 62.51±12.12, and specificity of 71.82±3.87. The predicted progressors experienced a steeper cognitive decline, tended to be older, and contained a higher proportion APOE4 carriers and amyloid positive cases, compared to stable individuals. Of the predicted progressors, 33.3% were true progressors. This represents a nearly two‐fold enrichment of progressors over the prevalence of the entire sample where only 17.7% were true progressors. Conclusion An automated algorithm can successfully identify presymptomatic individuals with impending cognitive impairment. This tool can enhance trial enrollment by targeting individuals who are at the highest risk of cognitive decline and potentially reduce trial costs by minimizing the need for prohibitively large sample sizes. [1] Australian Imaging Biomarkers and Lifestyle Study of Ageing (aibl.csiro.au). [2] National Alzheimer’s Coordinating Center (naccdata.org). [3] Alzheimer’s Disease Neuroimaging Initiative (adni.loni.usc.edu). [4] Open Access Series of Imaging Studies (oasis‐brains.org).
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 | 0,048 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».