Review of Quantitative Methods for the Detection of Alzheimer’s Disease with Positron Emission Tomography
Notice bibliographique
Résumé
The dementia spectrum is a broad range of disorders with complex diagnosis, pathophysiology, and a limited set of treatment options, where the most common variety is Alzheimer’s disease (AD). Positron emission tomography (PET) has become a valuable tool for the detection of AD; however, following the results of post-mortem studies, AD diagnosis has modest sensitivity and specificity at best. It remains common practice that readings of these images are performed by a physician’s subjective impressions of the spatial pattern of tracer uptake, and so quantitative methods based on established biomarkers have had little penetration into clinical practice. The present study is a review of the data-driven methods available for molecular neuroimaging studies (fluorodeoxyglucose-/amyloid-/tau-PET), with emphasis on the use of machine/deep learning as quantitative tools complementing the specialist in detecting AD. This work is divided into two broad parts. The first covers the epidemiology and pathology of AD, followed by a review of the role of PET imaging and tracers for AD detection. The second presents quantitative methods used in the literature for detecting AD, including the general linear model and statistical parametric mapping, 3D stereotactic surface projection, principal component analysis, scaled subprofile modeling, support vector machines, and neural networks.
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 | 0,002 | 0,000 |
| 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 | 0,000 | 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 ».