XAI-Based Assessment of the AMURA Model for Detecting Amyloid-β and Tau Microstructural Signatures in Alzheimer’s Disease
Notice bibliographique
Résumé
Brain microstructural changes already occur in the earliest phases of Alzheimer's disease (AD) as evidenced in diffusion magnetic resonance imaging (dMRI) literature. This study investigates the potential of the novel dMRI Apparent Measures Using Reduced Acquisitions (AMURA) as imaging markers for capturing such tissue modifications.Tract-based spatial statistics (TBSS) and support vector machines (SVMs) based on different measures were exploited to distinguish between amyloid-beta/tau negative (A[Formula: see text]-/tau-) and A[Formula: see text]+/tau+ or A[Formula: see text]+/tau- subjects. Moreover, eXplainable Artificial Intelligence (XAI) was used to highlight the most influential features in the SVMs classifications and to validate the results by seeing the explanations' recurrence across different methods.TBSS analysis revealed significant differences between A[Formula: see text]-/tau- and other groups in line with the literature. The best SVM classification performance reached an accuracy of 0.73 by using advanced measures compared to more standard ones. Moreover, the explainability analysis suggested the results' stability and the central role of the cingulum to show early sign of AD.By relying on SVM classification and XAI interpretation of the outcomes, AMURA indices can be considered viable markers for amyloid and tau pathology. Clinical impact: This pre-clinical research revealed AMURA indices as viable imaging markers for timely AD diagnosis by acquiring clinically feasible dMR images, with advantages compared to more invasive methods employed nowadays.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 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 ».