MRI-based mild cognitive impairment and Alzheimer's disease classification using an algorithm of combination of variational autoencoder and other machine learning classifiers
Notice bibliographique
Résumé
Background: Correctly diagnosing mild cognitive impairment (MCI) and Alzheimer's disease (AD) is important for patient selection in drug discovery. Research outcomes on stage diagnosis using neuroimages combined with cerebrospinal fluid and genetic biomarkers are expensive and time-consuming. Only structural magnetic resonance imaging (sMRI) scans from two internationally recognized datasets are employed as input as well as test and independent validation to determine the classification of dementia by the machine learning algorithm. Objective: We extract the reduced dimensional latent feature vector from the sMRI scans using a variational autoencoder (VAE). The objective is to classify AD, MCI, and control (CN) using MRI and without any other information. Methods: The extracted feature vectors from MRI scans by VAE are used as input conditions for different advanced machine-learning classifiers. Classification of AD/CN/MCI are conducted using the output of VAE from MRI images and different artificial intelligence/machine learning classifier models in two cohorts. Results: Using only MRI scans, the primary goal of the study is to test the ability to classify AD from CN and MCI cases. The current study achieved classification accuracies of AD versus CN 75.45% (F1-score = 79.52%), AD versus MCI 81.41% (F1-Score = 87.06%), and autopsy-confirmed AD versus MCI 92.75% (F1-Score = 95.52%) in test sets and AD versus CN 86.16% (F1-score = 92.03%) and AD versus MCI 70.03% (F1-Score = 82.1%) in validation data set. Conclusions: By overcoming the data leakage problem, the autopsy-confirmed machine learning classification model is tested in two independent cohorts. External validation by an independent cohort improved the quality and novelty of the classification algorithm.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».