Classification of Mild Cognitive Impairment Using Functional Near-Infrared Spectroscopy-Derived Biomarkers With Convolutional Neural Networks
Notice bibliographique
Résumé
OBJECTIVE: To date, early detection of mild cognitive impairment (MCI) has mainly depended on paper-based neuropsychological assessments. Recently, biomarkers for MCI detection have gained a lot of attention because of the low sensitivity of neuropsychological assessments. This study proposed the functional near-infrared spectroscopy (fNIRS)-derived data with convolutional neural networks (CNNs) to identify MCI. METHODS: Eighty-two subjects with MCI and 148 healthy controls (HC) performed the 2-back task, and their oxygenated hemoglobin (HbO2) changes in the prefrontal cortex (PFC) were recorded during the task. The CNN model based on fNIRS-derived spatial features with HbO2 slope within time windows was trained to classify MCI. Thereafter, the 5-fold cross-validation approach was used to evaluate the performance of the CNN model. RESULTS: Significant differences in averaged HbO2 values between MCI and HC groups were found, and the CNN model could better discriminate MCI with over 89.57% accuracy than the Korean version of the Montreal Cognitive Assessment (MoCA) (89.57%). Specifically, the CNN model based on HbO2 slope within the time window of 20-60 seconds from the left PFC (96.09%) achieved the highest accuracy. CONCLUSION: These findings suggest that the fNIRS-derived spatial features with CNNs could be a promising way for early detection of MCI as a surrogate for a conventional screening tool and demonstrate the superiority of the fNIRS-derived spatial features with CNNs to the MoCA.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 ».