MCI Conversion Prediction Using 3D Zernike Moments and the Improved Dynamic Particle Swarm Optimization Algorithm
Notice bibliographique
Résumé
Mild cognitive impairment (MCI) conversion prediction is a vital challenge in the area of Alzheimer’s disease (AD) as it could determine possible treatment pathways for AD patients. In this work, we presented a robust MCI conversion prediction framework based on the 3D-Zernike Moment (3D-ZM) method that generates statistical features (e.g., shape, texture, and symmetry information) from 3D-MRI scans and improved dynamic particle swarm optimization (IDPSO) that finds an informative sub-set of Zernike features for MCI conversion prediction. We quantified the efficiency of the proposed prediction framework on a large sample of MCI patients including 105 progressive-MCI (pMCI) and 121 stable-MCI (sMCI) at the baseline from the ADNI dataset. Using the proposed MCI conversion prediction framework, pMCI patients were distinguished from sMCI patients with an accuracy exceeding 75% (sensitivity, 83%, and specificity, 68%), which is well comparable with the state-of-the-art MCI conversion prediction approaches. Experimental results indicate that the 3D-ZM method can represent informative statistical patterns from 3D-MRI scans and IDPSO has a great capability to find meaningful statistical features for identifying MCI patients who are at risk of conversion to the AD stage.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».