MRI-based machine learning model: A potential modality for predicting cognitive dysfunction in patients with type 2 diabetes mellitus
Notice bibliographique
Résumé
Background: Type 2 diabetes mellitus (T2DM) is a crucial risk factor for cognitive impairment. Accurate assessment of patients’ cognitive function and early intervention is helpful to improve patient’s quality of life. At present, neuropsychiatric screening tests is often used to perform this task in clinical practice. However, it may have poor repeatability. Moreover, several studies revealed that machine learning (ML) models can effectively assess cognitive impairment in Alzheimer’s disease (AD) patients. We investigated whether we could develop an MRI-based ML model to evaluate the cognitive state of patients with T2DM. Objective: To propose MRI-based ML models and assess their performance to predict cognitive dysfunction in patients with type 2 diabetes mellitus (T2DM). Methods: Fluid Attenuated Inversion Recovery (FLAIR) of magnetic resonance images (MRI) were derived from 122 patients with T2DM. Cognitive function was assessed using the Chinese version of the Montréal Cognitive Assessment Scale-B (MoCA-B). Patients with T2DM were separated into the Dementia (DM) group ( n = 40), MCI group ( n = 52), and normal cognitive state (N) group ( n = 30), according to the MoCA scores. Radiomics features were extracted from MR images with the Radcloud platform. The variance threshold, SelectKBest, and least absolute shrinkage and selection operator (LASSO) were used for the feature selection. Based on the selected features, the ML models were constructed with three classifiers, k-NearestNeighbor (KNN), Support Vector Machine (SVM), and Logistic Regression (LR), and the validation method was used to improve the effectiveness of the model. The area under the receiver operating characteristic curve (ROC) determined the appearance of the classification. The optimal classifier was determined by the principle of maximizing the Youden index. Results: 1,409 features were extracted and reduced to 13 features as the optimal discriminators to build the radiomics model. In the validation set, ROC curves revealed that the LR classifier had the best predictive performance, with an area under the curve (AUC) of 0.831 in DM, 0.883 in MIC, and 0.904 in the N group, compared with the SVM and KNN classifiers. Conclusion: MRI-based ML models have the potential to predict cognitive dysfunction in patients with T2DM. Compared with the SVM and KNN, the LR algorithm showed the best performance.
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 | 0,000 | 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 | 0,001 |
| 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 ».