Hippocampal grading provides higher classification accuracy for those in the AD trajectory than hippocampal volume
Notice bibliographique
Résumé
Much research has focused on neurodegeneration in aging and Alzheimer's disease (AD). We developed Scoring by Nonlocal Image Patch Estimator (SNIPE), a non-local patch-based measure of anatomical similarity and hippocampal segmentation to measure hippocampal change. While SNIPE shows enhanced predictive power over hippocampal volume, it is unknown whether SNIPE is more strongly associated with group differences between normal controls (NC), early MCI (eMCI), late (lMCI), and AD than hippocampal volume. Alzheimer's Disease Neuroimaging Initiative older adults were included in the first analyses (N = 1666, 513 NCs, 269 eMCI, 556 lMCI, and 328 AD). Sub-analyses investigated amyloid positive individuals (N = 834; 179 NC, 148 eMCI, 298 lMCI, and 209 AD) to determine accuracy in those on the AD trajectory. We compared SNIPE grading, SNIPE volume, and Freesurfer volume as features in seven different machine learning techniques classifying participants into their correct cohort using 10-fold cross-validation. The best model was then validated in the Australian Imaging, Biomarker & Lifestyle Flagship Study of Ageing (AIBL). SNIPE grading provided the highest classification accuracy for all classifications in both the full and amyloid positive sample. When classifying NC:AD, SNIPE grading provided an 89% accuracy (full sample) and 87% (amyloid positive sample). Freesurfer volume provided much lower accuracies of 65% (full sample) and 46% (amyloid positive sample). In the AIBL validation cohort, SNIPE grading provided a 90% classification accuracy for NC:AD. These findings suggest SNIPE grading provides increased classification accuracy over both SNIPE and Freesurfer volume. SNIPE grading offers promise to accurately identify people with and without AD.
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 | 0,002 | 0,001 |
| 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 ».