Classification of patients with dementia in a late life depression cohort using structural MRI
Notice bibliographique
Résumé
Abstract Background Late life depression (LLD) is a risk factor for cognitive impairment, with up to 40% of depressed older adults showing persistent cognitive deficits even after symptom remission. Over 20% of Alzheimer’s disease patients exhibit depression‐like symptoms which can represent an early marker of disease (Tsuno et Homma., 2009). We hypothesized that automated classification algorithms trained on structural MRI could predict adjudicated diagnosis of cognitive impairment (CI) in this cohort. Method Our study evaluated 295 patients with LLD. An adjudication committee consisting of two board‐certified psychiatrists and a clinical neuropsychologist determined ground‐truth labels for patient diagnostic results of CI (N = 145) or No CI (N = 150). Patients underwent T1‐weighted scans, which were segmented with Freesurfer 6.0.1 (freesurfer.net) packaged with fMRIPrep 1.5.8 (fmriprep.org) using the Desikan‐Killiany atlas. Cortical thickness and volumetric data were obtained along with demographic parameters. Freesurfer data was then regressed against estimated total intracranial volume. 11 classifications algorithms implemented in R were trained and tested on 209 and 88 patients, respectively, to classify if a patient has CI. All continuous‐valued data were normalized with respect to the training set mean and standard deviation. Result Table 1 shows results from multiple classifications algorithms, including high sensitivity, specificity, and accuracy from adaptive boosting algorithms. The latter algorithms iteratively optimize a set of binary classification tree algorithms (Freund et Schapire., 1996). Conclusion Volumetric structural MRI biomarkers trained with machine learning classifiers can adequately categorize depressed older adults with CI which could assist the adjudication process. Future work incorporating structural MRI biomarkers with gold standard clinical data may improve earlier detection of cognitive impairment stemming from a neurodegenerative etiology. References : 1. Tsuno, N., & Homma, A. (2009). What is the association between depression and Alzheimer’s disease?. Expert review of neurotherapeutics, 9(11), 1667‐1676. 2. Freund, Y., & Schapire, R. E. (1996, July). Experiments with a new boosting algorithm. In icml (Vol. 96, pp. 148‐156).
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».