Machine learning based on Optical Coherence Tomography images as a diagnostic tool for Alzheimer's disease
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Aims We mainly evaluate retinal alterations in Alzheimer's disease (AD) patients, investigate the associations between retinal changes with AD biomarkers, and explore an optimal machine learning (ML) model for AD diagnosis based on retinal thickness. Methods A total of 159 AD patients and 299 healthy controls were enrolled. The retinal parameters of each participant were measured using optical coherence tomography (OCT). Additionally, cognitive impairment severity, brain atrophy, and cerebrospinal fluid (CSF) biomarkers were measured in AD patients. Results AD patients demonstrated a significant decrease in the average, superior, and inferior quadrant peripapillary retinal nerve fiber layer, macular retinal nerve fiber layer, ganglion cell layer (GCL), inner plexiform layer (IPL) thicknesses, as well as total macular volume (TMV) (all p < 0.05). Moreover, TMV was positively associated with Mini‐Mental State Examination and Montreal Cognitive Assessment scores, IPL thickness was correlated negatively with the medial temporal lobe atrophy score, and the GCL thickness was positively correlated with CSF Aβ 42 /Aβ 40 and negatively associated with p‐tau level. Based on the significantly decreased OCT variables between both groups, the XGBoost algorithm exhibited the best diagnostic performance for AD, whose four references, including accuracy, area under the curve, f1 score, and recall, ranged from 0.69 to 0.74. Moreover, the macular retinal thickness exhibited an absolute superiority for AD diagnosis compared with other enrolled variables in all ML models. Conclusion We identified the retinal alterations in AD patients and found that macular thickness and volume were associated with AD severity and biomarkers. Furthermore, we confirmed that OCT combined with ML could serve as a potential diagnostic tool 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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 découle