Measurement of neurodegeneration using a multivariate early frame amyloid PET classifier
Notice bibliographique
Résumé
Abstract Introduction Amyloid measurement provides important confirmation of pathology for Alzheimer's disease (AD) clinical trials. However, many amyloid positive (Am+) early‐stage subjects do not worsen clinically during a clinical trial, and a neurodegenerative measure predictive of decline could provide critical information. Studies have shown correspondence between perfusion measured by early amyloid frames post‐tracer injection and fluorodeoxyglucose (FDG) positron emission tomography (PET), but with limitations in sensitivity. Multivariate machine learning approaches may offer a more sensitive means for detection of disease related changes as we have demonstrated with FDG. Methods Using summed dynamic florbetapir image frames acquired during the first 6 minutes post‐injection for 107 Alzheimer's Disease Neuroimaging Initiative subjects, we applied optimized machine learning to develop and test image classifiers aimed at measuring AD progression. Early frame amyloid (EFA) classification was compared to that of an independently developed FDG PET AD progression classifier by scoring the FDG scans of the same subjects at the same time point. Score distributions and correlation with clinical endpoints were compared to those obtained from FDG. Region of interest measures were compared between EFA and FDG to further understand discrimination performance. Results The EFA classifier produced a primary pattern similar to that of the FDG classifier whose expression correlated highly with the FDG pattern (R‐squared 0.71), discriminated cognitively normal (NL) amyloid negative (Am–) subjects from all Am+ groups, and that correlated in Am+ subjects with Mini‐Mental State Examination, Clinical Dementia Rating Sum of Boxes, and Alzheimer's Disease Assessment Scale–13‐item Cognitive subscale ( R = 0.59, 0.63, 0.73) and with subsequent 24‐month changes in these measures ( R = 0.67, 0.73, 0.50). Discussion Our results support the ability to use EFA with a multivariate machine learning–derived classifier to obtain a sensitive measure of AD‐related loss in neuronal function that correlates with FDG PET in preclinical and early prodromal stages as well as in late mild cognitive impairment and dementia. Highlights The summed initial post‐injection minutes of florbetapir positron emission tomography correlate with fluorodeoxyglucose. A machine learning classifier enabled sensitive detection of early prodromal Alzheimer's disease. Early frame amyloid (EFA) classifier scores correlate with subsequent change in Mini‐Mental State Examination, Clinical Dementia Rating Sum of Boxes, and Alzheimer's Disease Assessment Scale–13‐item Cognitive subscale. EFA classifier effect sizes and clinical prediction outperformed region of interest standardized uptake value ratio. EFA classification may aid in stratifying patients to assess treatment effect.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 ».