Classifying cognitive impairment based on FDG-PET and combined T1-MRI and rs-fMRI: An ADNI study
Notice bibliographique
Résumé
BACKGROUND: Mild cognitive impairment (MCI) refers to a memory impairment among non-demented adults. It is a condition that increases the risk of dementia, notably due to Alzheimer's disease (AD). MCI is heterogeneous and there is a need for novel diagnostic approaches. Fluorodeoxyglucose positron emission tomography (FDG-PET) imaging provides robust AD biomarker characteristics, while anatomical and functional magnetic resonance imaging (MRI) offer complementary information. OBJECTIVE: Classify MCI and cognitively normal (CN) adults using FDG-PET images; predict individuals with MCI that convert to AD dementia; determine if MRI can achieve comparable performance to FDG-PET classification. METHODS: Four ADNI cohorts were created. Cohort 1: 805 participants (MCI n = 455; CN n = 350) that underwent FDG-PET. FDG-PET images were inputs to a one-channel 3-dimensional (3D) DenseNet deep learning model. Cohort 2: 348 participants (MCI n = 174; CN n = 174) with MRI and functional MRI. Cohort 3: overlapping cases from cohorts 1 and 2 (MCI n = 70; CN n = 70). Cohort 4: 336 participants (MCI-converters n = 168; MCI-stable n = 168) with FDG-PET from cohort 1. The one/two-channel models' inputs were T1-weighted MRI and/or amplitude of low-frequency fluctuations images, with classification metrics evaluated through 10-fold cross-validation. RESULTS: The FDG-PET model achieved 88.02%±3.82 accuracy for MCI versus CN classification, with 88.70%±4.70 sensitivity and 87.14%±5.03 specificity. Neither MRI model outperformed the FDG-PET model, as the highest MRI-based accuracy was 76.86%±1.95. The FDG-PET model achieved 63.23%±4.68 accuracy in classifying MCI-converters versus MCI-stable. CONCLUSIONS: FDG-PET images produced the highest accuracy in classifying MCI versus CN. While MRI-based approaches were inferior to FDG-PET, multi-contrast MRI still offers value for neurodegeneration classification.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».