Deviation From Model of Normal Aging in Alzheimer’s Disease: Application of Deep Learning to Structural MRI Data and Cognitive Tests
Notice bibliographique
Résumé
Background. Psychophysiological and cognitive tests as well as other functional studies can detect pre-symptomatic stages of dementia. When assembled with structural data, cognitive tests diagnose NDs more reliably thus becoming a multimodal diagnostic tool. Objective. Our main goal is to improve screening for dementia by studying an association between the brain structure and its function. Hypothetically, the brain structure-function association has features specific for either diseaserelated cognitive deterioration or normal neurocognitive slowing while aging. Materials and methods. We studied a total number of 287 cognitively normal cases, 646 of mild cognitive impairment, and 369 of Alzheimer’s disease. To work out a new marker of neurodegeneration, we created a convolutional neural network-based regression model and predicted the cognitive status of the cognitively preserved examinee from the brain MRI data. This was a model of normal aging. A big deviation from the model suggests a high risk of accelerated cognitive decline. Results. The deviation from the model of normal aging can accurately distinguish cognitively normal subjects from MCI patients (AUC = 0.9957). We also achieved creditable performance in the MCI-versus-AD classification (AUC = 0.9793). We identified a considerable difference in the MMSE test between A-positive and A-negative demented individuals according to ATN-criteria (6.27±1.82 vs 5.32±1.9; p < 0.05). Conclusion. The deviation from the model of normal aging can be potentially used as a marker of dementia and as a tool for differentiating Alzheimer’s disease from non-Alzheimer’s dementia. To find and justify a reliable threshold levels, further research is required.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».