MRI radiomics combined with machine learning for diagnosing mild cognitive impairment: a focus on the cerebellar gray and white matter
Notice bibliographique
Résumé
Objective: Mild Cognitive Impairment (MCI) is a recognized precursor to Alzheimer's Disease (AD), presenting a significant risk of progression. Early detection and intervention in MCI can potentially slow disease advancement, offering substantial clinical benefits. This study employed radiomics and machine learning methodologies to distinguish between MCI and Normal Cognition (NC) groups. Methods: The study included 172 MCI patients and 183 healthy controls from the Alzheimer's Disease Neuroimaging Initiative (ADNI) database, all of whom had 3D-T1 weighted MRI structural images. The cerebellar gray and white matter were segmented automatically using volBrain software, and radiomic features were extracted and screened through Pyradiomics. The screened features were then input into various machine learning models, including Random Forest (RF), Logistic Regression (LR), eXtreme Gradient Boosting (XGBoost), Support Vector Machines (SVM), K Nearest Neighbors (KNN), Extra Trees, Light Gradient Boosting Machine (LightGBM), and Multilayer Perceptron (MLP). Each model was optimized for penalty parameters through 5-fold cross-validation to construct radiomic models. The DeLong test was used to evaluate the performance of different models. Results: The LightGBM model, which utilizes a combination of cerebellar gray and white matter features (comprising eight gray matter and eight white matter features), emerges as the most effective model for radiomics feature analysis. The model demonstrates an Area Under the Curve (AUC) of 0.863 for the training set and 0.776 for the test set. Conclusion: Radiomic features based on the cerebellar gray and white matter, combined with machine learning, can objectively diagnose MCI, which provides significant clinical value for assisted diagnosis.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».