MRI deep learning demonstrates featured neuropathological deteriorations in the AD brain
Notice bibliographique
Résumé
Abstract Background Deep learning (DL) of non‐invasive brain structural magnetic resonance imaging (sMRI) has shown superb performance in differentiating Alzheimer’s disease (AD) from cognitively healthy participants (HC). Attention is needed to tackle AD pathological progression on sMRI using interpretable DL methods. Here, we studied the feasibility of DL in identifying neurodegenerative progression patterns in AD. Method Data applied to the study were from the multi‐centre Alzheimer’s Disease Neuroimaging Initiative (ADNI) and Open Access Series of Imaging Studies (OASIS) with 2,369 T1‐weighted brain images of 1,005 subjects. An interpretable DL technique named the ensemble 3‐dimensional convolutional neural network (Ensemble 3DCNN) was used to detect the longitudinal trajectory of sMRI changes during AD progression. The model used multiple 3D convolutional neural networks and a meta‐classifier to assess the degree of brain changes through generating an index score, named P‐score. The score was derived as the outcome of training and verifying the Ensemble 3DCNN model for difference in the whole‐brain sMRI between AD and HC. The predictive P‐scores values were used to analyze the sMRI images for mining neurodegenerative brain regions. In addition, dementia stages, and the temporal and spatial connectivity patterns of neurodegeneration progression were also analyzed. Result Brain regions showing high P‐scores (> 0.73/1.00) included the amygdala, nucleus accumbens, agranular insular cortex, and the hippocampus, matching the isocortex, basal magnocellular complex, and transentorhinal regions identified in Braak staging. The P‐score increased over time in 82% of the degenerative brain regions. The impaired areas were often spatially connected, consistently across multiple time points in the progression of AD. The trajectory of regional brain changes displayed multiple patterns with complex individual variability. Conclusion The interpretable 3D DL model demonstrated featured deteriorations on the AD sMRI images. The finding confirmed the neuropathological degeneration of AD and captured additional whole‐brain changes, especially, relating to the heterogeneity of AD expression.
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 | 0,001 |
| 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 | 0,000 | 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) | 0,001 | 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 ».