Synthetic data analysis for early detection of Alzheimer progression through machine learning algorithms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Alzheimer’s disease (AD) is a serious neurodegenerative disorder that causes incurable and irreversible neuronal loss and synaptic dysfunction. The progress of this disease is gradual and depending on the stage of its detection, only its progression can be treated, reducing the most aggressive symptoms and the speed of its neurodegenerative progress. This article proposes an early detection model for the diagnosis of AD by performing analyses in Alzheimer’s progression patient datasets, provided by the Alzheimer’s Disease Neuroimaging Initiative (ADNI), including only neuropsychological assessments and making use of feature selection techniques and machine learning models. The focus of this research is to build an ensemble machine learning model capable of early detection of a patient with Alzheimer’s or a cognitive state that leads to it, based on their results in neuropsychological assessments identified as highly relevant for the detection of Alzheimer’s. The proposed approach for the detection of AD is presented with the inclusion of the feature selection technique recursive feature elimination (RFE) and the Akaike Information Criterion (AIC), the ensemble model consists of logistic regression (LR), artificial neural networks (ANN), support vector machines (SVM), K-nearest neighbors (KNN) and nearest centroid (Nearcent). The datasets downloaded from ADNI were divided into 13 subsets including: cognitively normal (CN) vs subjective memory concern (SMC), CN vs early mild cognitive impairment (EMCI), CN vs late mild cognitive impairment (LMCI), CN vs AD, SMC vs EMCI, SMC vs LMCI, SMC vs AD, EMCI vs LMCI, EMCI vs AD, LMCI vs AD, MCI vs AD, CN vs AD and CN vs MCI. From all the feature results, a custom model was created using RFE, AIC and testing each model. This work presents a customized model for a backend platform to perform one-versus-all analysis and provide a basis for early diagnosis of Alzheimer’s at its current stage.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle