A predictive model using the mesoscopic architecture of the living brain to detect Alzheimer’s disease
Notice bibliographique
Résumé
Abstract Background Alzheimer’s disease, the most common cause of dementia, causes a progressive and irreversible deterioration of cognition that can sometimes be difficult to diagnose, leading to suboptimal patient care. Methods We developed a predictive model that computes multi-regional statistical morpho-functional mesoscopic traits from T1-weighted MRI scans, with or without cognitive scores. For each patient, a biomarker called “Alzheimer’s Predictive Vector” (ApV) was derived using a two-stage least absolute shrinkage and selection operator (LASSO). Results The ApV reliably discriminates between people with (ADrp) and without (nADrp) Alzheimer’s related pathologies (98% and 81% accuracy between ADrp - including the early form, mild cognitive impairment - and nADrp in internal and external hold-out test sets, respectively), without any a priori assumptions or need for neuroradiology reads. The new test is superior to standard hippocampal atrophy (26% accuracy) and cerebrospinal fluid beta amyloid measure (62% accuracy). A multiparametric analysis compared DTI-MRI derived fractional anisotropy, whose readout of neuronal loss agrees with ADrp phenotype, and SNPrs2075650 is significantly altered in patients with ADrp-like phenotype. Conclusions This new data analytic method demonstrates potential for increasing accuracy of Alzheimer diagnosis.
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 | 0,001 |
| 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 ».