Early diagnosis of Alzheimer’s disease and mild cognitive impairment using MRI analysis and machine learning algorithms
Notice bibliographique
Résumé
Early diagnosis of Alzheimer's disease (AD) and mild cognitive impairment (MCI) is crucial to prevent their progression. In this study, we proposed the analysis of magnetic resonance imaging (MRI) based on features including; hippocampus (HC) area size, HC grayscale statistics and texture features (mean, standard deviation, skewness, kurtosis, contrast, correlation, energy, homogeneity, entropy), lateral ventricle (LV) area size, gray matter area size, white matter area size, cerebrospinal fluid area size, patient age, weight, and cognitive score. Five machine learning classifiers; K-nearest neighborhood (KNN), support vector machine (SVM), random forest (RF), decision tree (DT), and multi-layer perception (MLP) were used to distinguish between groups: cognitively normal (CN) vs AD, early MCI (EMCI) vs late MCI (LMCI), CN vs EMCI, CN vs LMCI, AD vs EMCI, and AD vs LMCI. Additionally, the correlation and dependence were calculated to examine the strength and direction of association between each extracted feature and each classification of the group. The average classification accuracies in 20 trials were 95% (SVM), 71.50% (RF), 82.58% (RF), 84.91% (SVM), 85.83% (RF), and 85.08% (RF), respectively, with the best accuracies being 100% (SVM, RF, and MLP), 83.33% (RF), 91.66% (RF), 95% (SVM, and MLP), 96.66% (RF), and 93.33% (DT). Cognitive scores, HC and LV area sizes, and HC texture features demonstrated significant potential for diagnosing AD and its subtypes for all groups. RF and SVM showed better performance in distinguishing between groups. These findings highlight the importance of using 2D-MRI to identify key features containing critical information for early diagnosis of AD. Supplementary Information: The online version contains supplementary material available at 10.1007/s42452-024-06440-w.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».