ArcheD, a residual neural network for prediction of cerebrospinal fluid amyloid‐beta from amyloid PET images
Notice bibliographique
Résumé
Abstract Detection and measurement of amyloid‐beta (Aβ) in the brain is a key factor for early identification and diagnosis of Alzheimer's disease (AD). We aimed to develop a deep learning model to predict Aβ cerebrospinal fluid (CSF) concentration directly from amyloid PET images, independent of tracers, brain reference regions or preselected regions of interest. We used 1870 Aβ PET images and CSF measurements to train and validate a convolutional neural network (“ArcheD”). We evaluated the ArcheD performance in relation to episodic memory and the standardized uptake value ratio (SUVR) of cortical Aβ. We also compared the brain region's relevance for the model's CSF prediction within clinical‐based and biological‐based classifications. ArcheD‐predicted Aβ CSF values correlated with measured Aβ CSF values (r = 0.92; q < 0.01), SUVR (r AV45 = −0.64, r FBB = −0.69; q < 0.01) and episodic memory measures (0.33 < r < 0.44; q < 0.01). For both classifications, cerebral white matter significantly contributed to CSF prediction ( q < 0.01), specifically in non‐symptomatic and early stages of AD. However, in late‐stage disease, the brain stem, subcortical areas, cortical lobes, limbic lobe and basal forebrain made more significant contributions (q < 0.01). Considering cortical grey matter separately, the parietal lobe was the strongest predictor of CSF amyloid levels in those with prodromal or early AD, while the temporal lobe played a more crucial role for those with AD. In summary, ArcheD reliably predicted Aβ CSF concentration from Aβ PET scans, offering potential clinical utility for Aβ level determination.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».