Machine learning prediction of future amyloid beta positivity in amyloid-negative individuals
Notice bibliographique
Résumé
Abstract Background The pathophysiology of Alzheimer’s disease (AD) involves $$\beta$$ β -amyloid (A $$\beta$$ β ) accumulation. Early identification of individuals with abnormal $$\beta$$ β -amyloid levels is crucial, but A $$\beta$$ β quantification with positron emission tomography (PET) and cerebrospinal fluid (CSF) is invasive and expensive. Methods We propose a machine learning framework using standard non-invasive (MRI, demographics, APOE, neuropsychology) measures to predict future A $$\beta$$ β -positivity in A $$\beta$$ β -negative individuals. We separately study A $$\beta$$ β -positivity defined by PET and CSF. Results Cross-validated AUC for 4-year A $$\beta$$ β conversion prediction was 0.78 for the CSF-based and 0.68 for the PET-based A $$\beta$$ β definitions. Although not trained for the clinical status-change prediction, the CSF-based model excelled in predicting future mild cognitive impairment (MCI)/dementia conversion in cognitively normal/MCI individuals (AUCs, respectively, 0.76 and 0.89 with a separate dataset). Conclusion Standard measures have potential in detecting future A $$\beta$$ β -positivity and assessing conversion risk, even in cognitively normal individuals. The CSF-based definition led to better predictions than the PET-based definition.
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 | 0,002 | 0,006 |
| 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 | 0,001 | 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 ».