A Deep Longitudinal Model for Mild Cognitive Impairment to Alzheimer’s Disease Conversion Prediction in Low-Income Countries
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
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.
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 découle