Predicting the cognitive impairment with multimodal ophthalmic imaging and artificial neural network for community screening
Notice bibliographique
Résumé
Background/aims To investigate the comprehensive prediction ability for cognitive impairment in a general elder population using the combination of the multimodal ophthalmic imaging and artificial neural networks. Methods Patients with cognitive impairment and cognitively healthy individuals were recruited. All subjects underwent medical history, blood pressure measurement, the Montreal Cognitive Assessment, medical optometry, intraocular pressure and custom-built multimodal ophthalmic imaging, which integrated pupillary light reaction, multispectral imaging, laser speckle contrast imaging and retinal oximetry. Multidimensional parameters were analysed by Student’s t-test. Logistic regression analysis and back-propagation neural network (BPNN) were used to identify the predictive capability for cognitive impairment. Results This study included 104 cognitive impairment patients (61.5% female; mean (SD) age, 68.3 (9.4) years), and 94 cognitively healthy age-matched and sex-matched subjects (56.4% female; mean (SD) age, 65.9 (7.6) years). The variation of most parameters including decreased pupil constriction amplitude (CA), relative CA, average constriction velocity, venous diameter, venous blood flow and increased centred retinal reflectance in 548 nm (RC 548 ) in cognitive impairment was consistent with previous studies while the reduced flow acceleration index and oxygen metabolism were reported for the first time. Compared with the logistic regression model, BPNN had better predictive performance (accuracy: 0.91 vs 0.69; sensitivity: 93.3% vs 61.70%; specificity: 90.0% vs 68.66%). Conclusions This study demonstrates retinal spectral signature alteration, neurodegeneration and angiopathy occur concurrently in cognitive impairment. The combination of multimodal ophthalmic imaging and BPNN can be a useful tool for predicting cognitive impairment with high performance for community screening.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».