Greater AD prediction accuracy is obtained using hippocampal grading over hippocampal volume
Notice bibliographique
Résumé
Abstract Background To develop new Alzheimer’s disease (AD) treatments, diagnostic tools must be applied before too much irreversible neurodegeneration occurs. One of the key features used to identify AD neurodegeneration is hippocampal (HC) volume. However, prediction accuracy using HC volume is not high enough to be implemented in clinical and research settings. The goal of this study was to compare prediction accuracy of HC volume and HC grading, a method that measures local morphological similarity of the HC to a library of NC and AD subjects. Methods Participants were selected from the Alzheimer’s Disease Neuroimaging Initiative (ADNI) and were included if they had a baseline diagnosis of either healthy older adult (cognitively normal, CN) or AD and baseline MRI scans. A total of 841 older adults met the inclusion criteria (513 CN and 328 AD). A second analysis examining the 388 amyloid positive participants was also completed (179 CN and 209 AD). A previously validated MRI analysis method (SNIPE) was used for HC grading (Coupe et al., 2012) and a similar non‐local patch‐based method was used to segment the HC to obtain volumes (Coupe et al. 2010). HC volumes provided by ADNI using Freesurfer were also analyzed for comparison. Age, sex, and either SNIPE grading, SNIPE volume, or Freesurfer volumes were used as features in three support vector machines to classify participants as either CN or AD, using a 10‐fold cross validation. Results Using SNIPE grading, 88% accuracy was obtained when classifying CN from AD. SNIPE volume, generated 76% accuracy, while Freesurfer HC volume resulted in 67% accuracy when distinguishing CN from AD. The second analysis of only the amyloid positive participants yielded accuracies of 87% (SNIPE Grading), 77% (SNIPE volume), and 52% (Freesurfer volume). Conclusion HC grading, as measured by SNIPE, provides much higher accuracy at classifying CN from AD than both patch‐based HC segmentation volumes or Freesurfer HC volumes. These findings suggest that HC grading may be a useful tool at successfully predicting AD. The ability to correctly differentiate between groups who are amyloid positive is important for improving participant selection in clinical trials.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».