A Comprehensive Analysis of Early Alzheimer Disease Detection from 3D sMRI Images Using Deep Learning Frameworks
Notice bibliographique
Résumé
Accurate diagnosis of Alzheimer’s Disease (AD) has largely focused on its later stages, often overlooking the critical need for early detection of Early Mild Cognitive Impairment (EMCI). Early detection is essential for potentially reducing mortality rates; however, distinguishing EMCI from Normal Cognitive (NC) individuals is challenging due to similarities in their brain patterns. To address this, we have developed a subject-level 3D-CNN architecture enhanced by preprocessing techniques to improve classification accuracy between these groups. Our experiments utilized structural Magnetic Resonance Imaging (sMRI) data from the Alzheimer’s Disease Neuroimaging Initiative (ADNI) dataset, specifically the ADNI3 collection. We included 446 subjects from the baseline and year 1 phases, comprising 164 individuals diagnosed with EMCI and 282 individuals with NC. When evaluated using 4-fold stratified cross-validation, our model achieved a validation AUC of 91.5%. On the test set, it attained an accuracy of 81.80% along with a recall of 82.50%, precision of 81.80%, and specificity of 80.50%, effectively distinguishing between the NC and EMCI groups. Additionally, a gradient class activation map was employed to highlight key regions influencing model predictions. In comparative evaluations against pretrained models and existing literature, our approach demonstrated decent performance in early AD detection.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».