Predicting Parkinson’s disease progression using MRI-based white matter radiomic biomarker and machine learning: a reproducibility and replicability study
Notice bibliographique
Résumé
Abstract Background The availability of reliable biomarkers of Parkinson’s disease (PD) progression is critical to the understanding of the disease and development of treatment options. Magnetic Resonance Imaging (MRI) provides a promising source of PD biomarkers, however, neuroimaging results have been shown to be markedly sensitive to analytical conditions and population sampling, which motivates investigations of their robustness. This study is part of a project to investigate the replicability of 11 structural MRI measures of PD identified in a recent review. Objective This paper attempts to reproduce (similar data, similar analysis) and replicate (variations in data and analysis) the design of the machine learning (ML) model described in [1] to predict PD progression from T1-weighted MRIs. Methods We used the Parkinson’s Progression Markers Initiative dataset (PPMI, ppmi-info.org ) used in [1] and we followed as closely as possible the original methods. We also investigated slight methodological variations in cohort selection, feature extraction, ML model design, and evaluation techniques. Results The Area under the ROC Curve (AUC) achieved by our model closely reproducing the original study remained lower than 0.5. Across all tested models, we obtained a peak AUC of 0.685, which is better than chance performance but remained lower than the AUC value of 0.795 reported in [1]. Conclusion We managed to train a model that predicts disease progression with a performance better than chance on a cohort extracted from the PPMI dataset, using methods adapted from [1]. However, the performance of this model remains substantially lower than the one reported in [1]. Our difficulties to reproduce or replicate the original work are likely explained by the relatively low sample size in the original study. We provide recommendations on how to improve the reproducibility of MRI-based ML models of PD 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 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 | 0,134 | 0,223 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».