Research on Voxel-Based Features Detection and Analysis of Alzheimer’s Disease Using Random Survey Support Vector Machine
Notice bibliographique
Résumé
Alzheimer's disease (AD) is a degenerative disease of the central nervous system characterized by memory and cognitive dysfunction, as well as abnormal changes in behavior and personality. The research focused on how machine learning classified AD became a recent hotspot. In this study, we proposed a novel voxel-based feature detection framework for AD. Specifically, using 649 voxel-based morphometry (VBM) methods obtained from MRI in Alzheimer's Disease Neuroimaging Initiative (ADNI), we proposed a feature detection method according to the Random Survey Support Vector Machines (RS-SVM) and combined the research process based on image-, gene-, and pathway-level analysis for AD prediction. Particularly, we constructed 136, 141, and 113 novel voxel-based features for EMCI (early mild cognitive impairment)-HC (healthy control), LMCI (late mild cognitive impairment)-HC, and AD-HC groups, respectively. We applied linear regression model, least absolute shrinkage and selection operator (Lasso), partial least squares (PLS), SVM, and RS-SVM five methods to test and compare the accuracy of these features in these three groups. The prediction accuracy of the AD-HC group using the RS-SVM method was higher than 90%. In addition, we performed functional analysis of the features to explain the biological significance. The experimental results using five machine learning indicate that the identified features are effective for AD and HC classification, the RS-SVM framework has the best classification accuracy, and our strategy can identify important brain regions for 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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».