Application of novel hybrid machine learning systems and radiomics features for non-motor outcome prediction in Parkinson’s disease
Notice bibliographique
Résumé
Abstract Objectives. Parkinson’s disease (PD) is a complex neurodegenerative disorder, affecting 2%–3% of the elderly population. Montreal Cognitive Assessment (MoCA), a rapid nonmotor screening test, assesses different cognitive dysfunctionality aspects. Early MoCA prediction may facilitate better temporal therapy and disease control. Radiomics features (RF), in addition to clinical features (CF), are indicated to increase clinical diagnoses, etc, bridging between medical imaging procedures and personalized medicine. We investigate the effect of RFs, CFs, and conventional imaging features (CIF) to enhance prediction performance using hybrid machine learning systems (HMLS). Methods. We selected 210 patients with 981 features (CFs, CIFs, and RFs) from the Parkinson’s Progression-Markers-Initiative database. We generated 4 datasets, namely using (i), (ii) year-0 (D1) or year-1 (D2) features, (iii) longitudinal data (D3, putting datasets in years 0 and 1 longitudinally next to each other), and (iv) timeless data (D4, effectively doubling dataset size by listing both datasets from years 0 and 1 separately). First, we directly applied 23 predictor algorithms (PA) to the datasets to predict year-4 MoCA, which PD patients this year have a higher dementia risk. Subsequently, HMLSs, including 14 attribute extraction and 10 feature selection algorithms followed by PAs were employed to enhance prediction performances. 80% of all datapoints were utilized to select the best model based on minimum mean absolute error (MAE) resulting from 5-fold cross-validation. Subsequently, the remaining 20% was used for hold-out testing of the selected models. Results. When applying PAs without ASAs/FEAs to datasets (MoCA outcome range: [11,30]), Adaboost achieved an MAE of 1.74 ± 0.29 on D4 with a hold-out testing performance of 1.71. When employing HMLSs, D4 + Minimum_Redundancy_Maximum_Relevance (MRMR)+K_Nearest_Neighbor Regressor achieved the highest performance of 1.05 ± 0.25 with a hold-out testing performance of 0.57. Conclusion. Our study shows the importance of using larger datasets (timeless), and utilizing optimized HMLSs, for significantly improved prediction of MoCA in PD patients.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».