A Deep Longitudinal Model for Mild Cognitive Impairment to Alzheimer’s Disease Conversion Prediction in Low-Income Countries
Notice bibliographique
Résumé
Alzheimer’s disease (AD) is a progressive and fatal disease, due to the nonavailability of any permanent cure. Some treatments are under experimentation that can slow down and possibly pause the progression of the disease only if the disease is diagnosed earlier. The onset of AD can only be detected at the mild cognitive impairment (MCI) stage in which slight memory loss is observed but daily routine functions are intact. A small fraction of the patient progresses from MCI to AD. In this research, we have designed a cascaded deep neural network model to identify those MCI subjects who will progress to AD in the following year. The analysis and experimentation have been performed using twenty longitudinal neuropsychological measures (NMs) provided by Alzheimer’s Disease Neuroimaging Initiative (ADNI). After normalization and ranking of longitudinal data, the deep neural network regression model is trained and tuned to forecast the next in-sequence biomarker value using two previous follow-up readings for each marker. Then, the three time-domain window samples are fed into another deep neural network classifier model for the classification of MCI progressor (MCIp) and MCI stables (MCIs). Our model presented regression forecasting MAE of 0.13 and classification accuracy of 86.9% with AUC of 92.1% (Sensitivity: 67.7%, specificity: 92.3%) over 5-fold cross-validation. We conclude that time-domain measures of NM alone can deliver comparable MCI to AD conversion prediction performance without leveraging more expensive and invasive counterparts such as MR imaging, PET scans, and CSF measures. Middle and low-income countries will benefit from such cheap and effective solutions greatly.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 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) | 0,002 | 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 ».