Comparative analysis of multimodal biomarkers for amyloid-beta positivity detection in Alzheimer's disease cohorts
Notice bibliographique
Résumé
Introduction: Efforts to develop cost-effective approaches for detecting amyloid pathology in Alzheimer's disease (AD) have gained significant momentum with a focus on biomarker classification. Recent research has explored non-invasive and readily accessible biomarkers, including magnetic resonance imaging (MRI) biomarkers and some AD risk factors. Methods: In this comprehensive study, we leveraged a diverse dataset, encompassing participants with varying cognitive statuses from multiple sources, including cohorts from the Alzheimer's Disease Neuroimaging Initiative (ADNI) and our in-house Dementia Disease Initiation (DDI) cohort. As brain amyloid plaques have been proposed as sufficient for AD diagnosis, our primary aim was to assess the effectiveness of multimodal biomarkers in identifying amyloid plaques, using deep machine learning methodologies. Results: Our findings underscore the robustness of the utilized methods in detecting amyloid beta positivity across multiple cohorts. Additionally, we investigated the potential of demographic data to enhance MRI-based amyloid detection. Notably, the inclusion of demographic risk factors significantly improved our models' ability to detect amyloid-beta positivity, particularly in early-stage cases, exemplified by an average area under the ROC curve of 0.836 in the unimpaired DDI cohort. Discussion: These promising, non-invasive, and cost-effective predictors of MRI biomarkers and demographic variables hold the potential for further refinement through considerations like APOE genotype and plasma markers.
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 | 0,013 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».