Integrated cerebellar radiomic‐network model for predicting mild cognitive impairment in Alzheimer's disease
Notice bibliographique
Résumé
INTRODUCTION: Pathological and neuroimaging alterations in the cerebellum of Alzheimer's disease (AD) patients have been documented. However, the role of cerebellum-derived radiomic and structural connectome modeling in the prediction of AD progression remains unclear. METHODS: Radiomic features were extracted from magnetic resonance imaging (MRI) in the Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset (n = 1319) and an in-house dataset (n = 308). Integrated machine learning models were developed to predict the conversion risk of normal cognition (NC) to mild cognitive impairment (MCI) over a 6-year follow-up. RESULTS: The cerebellar models outperformed hippocampal models in distinguishing MCI from NC and in predicting transitions from NC to MCI across both cohorts. Key predictors included textural features in the right III and left I and II lobules, and network properties in Vermis I and II, which were associated with cognitive decline in AD. DISCUSSION: Cerebellum-derived radiomic-network modeling shows promise as a tool for early identification and prediction of disease progression during the preclinical stage of AD. HIGHLIGHTS: Altered cerebellar radiomic features and topological networks were identified in the subjects with mild cognitive impairment (MCI). The cerebellar radiomic-network integrated models outperformed hippocampal models in distinguishing MCI from normal cognition. The cerebellar radiomic model effectively predicts MCI risk and can stratify individuals into distinct risk categories. Specific cerebellar radiomic features are associated with cognitive impairment across various stages of amyloid beta and tau pathology.
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 | 0,003 |
| 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) | 0,002 | 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 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 ».