AGED-ViT: A Novel Transformer-Based Framework for Diagnosis of Alzheimer’s Disease by Leveraging Gene Expression Data
Notice bibliographique
Résumé
Alzheimer’s disease (AD) is a growing global health concern and correct diagnosis is crucial for effective treatment. In this study, we present a novel method for the detection of AD using gene expression data from blood samples. We normalized and combined four publicly available Alzheimer’s datasets and trained a Vision Transformer (ViT) model. This combined dataset had almost seven times more features than patient samples which can cause models to overfit on the training data. To overcome this issue, we employed Linear Discriminant Analysis (LDA) to reduce the dimensionality of the data and noise injection to encourage generalizability and robustness. We then compared our model to several state-of-the-art models that used Support Vector Machines (SVMs), Convolutional Neural Networks (CNNs), and Deep Neural Networks (DNNs). Our model, AGED-ViT, achieved an average accuracy of 88.4% and area under the curve (AUC) of 0.951 on the combined dataset, outperforming previous methods. Our results demonstrate the importance of preprocessing techniques for data with more features than samples to reduce overfitting, as well as the powerful predictive capabilities of ViTs, establishing a foundation for further exploration and optimization of the transformer architecture in the context of genomic diagnosis. This study can contribute to improving the accuracy of AD diagnosis, thus facilitating intervention and leading to a more promising outcome for patients.
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 | 0,001 |
| 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 | 0,001 |
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 ».