Feasibility Study: Machine Learning in Neurodegenerative Disorders, Alzheimer’s Disease
Notice bibliographique
Résumé
Introduction: Clinical decision support systems (CDSSs), powered by machine learning and artificial intelligence, have demonstrated potential in clinical diagnosis and intervention for neurological and psychiatric disorders. Considering the importance of early detection and intervention of Alzheimer’s disease (AD), this study aims to explore the potential of a data-driven non-knowledge-based machine learning CDSS for predicting AD diagnoses in individuals. In non-knowledge-based CDSSs, no prior knowledge about AD or any other disorder impacts the decision-making of classification models Method: In this study, publicly available data of 14037 data points collected by the Alzheimer’s Disease Neuroimaging Initiative were used for model training and testing. Binary classification and multiclassification machine learning were applied, and results from six mainstream classification models were analyzed. Results: The binary classification models (AD diagnosis present or absent) gave accuracies around 0.92-0.93, and the multiclassification models gave accuracies around 0.85-0.87. Logistic regression model (binary classification) had the highest overall hit rate (0.93). This model maintained this hit rate when only features with over 90% non-empty data are available. Discussion: Binary classification models are more reliable for diagnosing AD than multiclassification models. The high hit rates of the logistic regression model (binary classification) on generally available data implicate its feasibility. Conclusion: There is strong potential for a complete machine learning-based CDSS to aid in AD diagnoses in the future
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 | 0,022 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,009 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».