A Multi-Layer Perceptron Network-Based Model for Classifying Stages of Alzheimer's Disease Using Clinical Data
Notice bibliographique
Résumé
Alzheimer's Disease is a neurodegenerative disorder that progressively impairs individuals' ability to perform daily activities.This irreversible condition cannot be halted once initiated, but early detection may allow for treatments to slow its progression.In this study, clinical data from the Alzheimer's Disease Neuroimaging Initiative dataset were utilized to identify different stages of Alzheimer's and predict the time required for conversion from mild cognitive impairment (MCI) to Alzheimer's Disease.Clinical indicators of Alzheimer's include age, education level, disease progression rate, and cognitive information.Machine learning techniques such as multi-layer perceptron networks, random forests, support vector machines, and decision tree classifiers were employed for binary and multi-class classification of Alzheimer's Disease (AD), Late Mild Cognitive Impairment (LMCI), Early Mild Cognitive Impairment (EMCI), and Cognitive Control (CN).Among these techniques, the multi-layer perceptron network demonstrated superior performance, achieving accuracies of 99.97% for AD vs LMCI, 99.57% for AD vs EMCI, 99.96% for AD vs CN, 95.05% for EMCI vs CN and LMCI vs CN, 99.97% for AD vs LMCI vs CN, 91.2% for EMCI vs LMCI vs AD, 86.25% for CN vs EMCI vs LMCI, 91.94% for CN vs LMCI vs AD, 85.14% for CN vs EMCI vs AD, and 77.5% for AD vs LMCI vs EMCI vs CN.The proposed model has the potential to facilitate early detection and prediction of Alzheimer's stages without the need for imaging scans, thus offering a valuable tool for clinical practice.
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 | 0,001 |
| 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 | 0,001 | 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 ».