Olfactory examination for AD diagnosis based on machine learning
Notice bibliographique
Résumé
Objective: To explore the feasibility of olfactory examination as an early diagnostic indicator of Alzheimer's disease (AD) by using machine learning method. Methods: A total of 100 dementia patients who were treated in the outpatient department of neurology of Tianjin Huanhu Hospital from April to November 2021 were collected, including 50 cases of MCI and 50 cases of AD, aged 50-86 years. The control group consisted of 50 healthy adults from the physical examination center, aged 50-79 years. Subjects were tested for olfactory subjective function test (tested with Sniffin Sticks), Montreal Cognitive Assessment Scale (MoCA), Mini-Mental State Examination (MMSE) and Adaptive Behavior Rating Scale (ADL). SPSS 20.0 statistical software was used to compare the correlations between the scores of the three groups of olfactory function tests and scale tests, and MATLAB 2014 software was used to classify the three groups of subjects using machine learning algorithms. Results: The olfactory function score and the cognitive function scale score showed moderate to strong correlation (>0.44). The classification accuracy of support vector machine (SVM) for the patient group and the control group reached 99.3%, and the accuracy of K-nearest neighbor algorithm (KNN) for MCI and AD reached 91.5%. Conclusion: The detection of olfactory function has certain predictive value in the diagnosis and transformation of MCI and AD, and can be used as a routine biomarker test.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».