LMP-TX: An AI-driven Integrated Longitudinal Multi-modal Platform for Early Prognosis of Late Onset Alzheimer’s Disease
Notice bibliographique
Résumé
Abstract Alzheimer’s Disease (AD) is the 7th leading cause of death worldwide. 95% of AD cases are late-onset Alzheimer’s disease (LOAD), which often takes decades to evolve and become symptomatic. Early prognosis of LOAD is critical for timely intervention before irreversible brain damage. This study proposes an Artificial Intelligence (AI)-driven longitudinal multi-modal platform with time-series transformer (LMP-TX) for the early prognosis of LOAD. It has two versions: LMP-TX utilizes full multi-modal data to provide more accurate prediction, while a lightweight version, LMP-TX-CL, only uses simple multi-modal and cognitive-linguistic (CL) data. Results on prognosis accuracy based on the AUC scores for subjects progressing from normal control (NC) to early mild cognitive impairment ( e MCI) and e MCI to late MCI ( l MCI) is respectively 89% maximum (predicted by LMP-TX) and 81% maximum (predicted by LMP-TX-CL). Moreover, results on the top biomarkers predicting different states of LOAD onsets have revealed key multi-modal (including CL-based) biomarkers indicative of early-stage LOAD progressions. Future work will develop a more fine-grained LMP-TX based on disease progression scores and identify the key multi-modal and CL-based biomarkers predictive of fast AD progression rates at early stages.
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) | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».