Early Detection of Alzheimer’s Disease From Cortical and Hippocampal Local Field Potentials Using an Ensembled Machine Learning Model
Notice bibliographique
Résumé
Early diagnosis of Alzheimer's disease (AD) is a very challenging problem and has been attempted through data-driven methods in recent years. However, considering the inherent complexity in decoding higher cognitive functions from spontaneous neuronal signals, these data-driven methods benefit from the incorporation of multimodal data. This work proposes an ensembled machine learning model with explainability (EXML) to detect subtle patterns in cortical and hippocampal local field potential signals (LFPs) that can be considered as a potential marker for AD in the early stage of the disease. The LFPs acquired from healthy and two types of AD animal models (n = 10 each) using linear multielectrode probes were endorsed by electrocardiogram and respiration signals for their veracity. Feature sets were generated from LFPs in temporal, spatial and spectral domains and were fed into selected machine-learning models for each domain. Using late fusion, the EXML model achieved an overall accuracy of 99.4%. This provided insights into the amyloid plaque deposition process as early as 3 months of the disease onset by identifying the subtle patterns in the network activities. Lastly, the individual and ensemble models were found to be robust when evaluated by randomly masking channels to mimic the presence of artefacts.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».