MRI-Based Multi-Class Relevance Vector Machine Classification of Neurodegenerative Diseases
Notice bibliographique
Résumé
Abstract Machine learning algorithms are a promising automated candidate that can help mitigate the growing need for dementia experts. Despite the substantial development in MRI-based machine learning analyses, case misclassification is a universal finding, yet the reasons behind misclassification are poorly understood. We implemented a multi-class classification approach that uses relevance vector machine and logistic classification to classify research participants based on their whole-brain T1-weighted MRI scans. A total of 468 participants from seven diagnostic classes were included: 144 healthy controls, 84 Alzheimer’s disease, 108 behavioral variant frontotemporal dementia (bvFTD), 30 semantic variant primary progressive aphasia (svPPA), 30 non-fluent variant primary progressive aphasia (nfvPPA), 30 corticobasal syndrome (CBS), and 42 progressive supranuclear palsy syndrome (PSPS). We compared the algorithm‘s diagnostic accuracy against the clinical, pathological, genetic, and quantitative imaging data. The exact neurodegenerative syndrome was predicted in 71% of the cases, the neurodegenerative disease spectrum was predicted in 80% of the cases, and the algorithm distinguished controls from any dementia in 85% of the cases. The algorithm showed high performance in diagnosing healthy controls, moderate performance in diagnosing AD, bvFTD, and svPPA, and low performance in diagnosing CBS, nfvPPA, and PSPS. Based on the quantitative imaging data, most of the misclassified neurodegenerative cases had minimal atrophy and brain volumes comparable to healthy controls. In AD, early-onset AD cases with minimal brain atrophy represented most of the misclassified cases. In bvFTD, FTD genetic mutation carriers (predominantly C9orf72 repeat expansion), FTD phenocopy, patients meeting only possible bvFTD criteria represented most misclassified cases. Case misclassification in machine learning studies in neurodegenerative diseases results from neurodegenerative disease heterogeneity and the limitations of structural MRI’s ability to capture the whole gamut of biological changes. Larger and more inclusive datasets that are representative of population biologic heterogeneity are needed to train better machine learning techniques, and a margin of error is expected and should be acceptable, like the uncertainty of a clinical diagnosis by a dementia expert.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 ».