Validation of machine learning models to detect neuropathologies
Notice bibliographique
Résumé
BACKGROUND: White matter hyperintensities (WMHs) are increasingly recognized for their role in cognitive decline and the progression of neurodegenerative conditions including Alzheimer's disease (AD). Despite advances in imaging technologies, the exact contribution of WMHs to disease processes remains a subject of ongoing research. This study aims to apply machine learning approaches to determine critical features of AD-related neuropathologies in vivo. METHODS: A total of 65 participants (17 females, mean age = 79.0) from the Alzheimer's Disease Neuroimaging Initiative (ADNI) were included. In the ADNI dataset, machine learning models were applied towards feature selection of MRI, clinical, and demographic data to identify the best performing set of variables that could predict neuropathology outcomes [e.g., Braak neurofibrillary tangle stage, Consortium to Establish a Registry for AD (CERAD) neuritic plaque, etc.]. The best-performing neuropathology predictors using the top seven MRI, clinical, and demographic features were selected. For continuous measures, gradient boosting, bagging, support vector regression, and linear regression were implemented. For binary outcomes, logistic regression, gradient boosting, support vector machine, and bagging classifiers were utilized. RESULTS: Four machine learning models applying feature ranking methods using similar information criteria consistently ranked WMHs as important features in predicting all neuropathology measures. In the ADNI dataset, prediction accuracy was highest for Braak stage, CERAD neuritic palques, and diffuse plaques (i.e., cross-validated correlation between actual measures and predictions was above 0.8). The best-performing model achieved over r = 0.85 correlation in predicting Braak. CONCLUSION: These results highlight the importance of WMHs as core features of AD and the benefits of using machine learning models that incorporate WMH burden in predicting AD-related neuropathologies. The use of machine learning may prove beneficial in early detection of AD.
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 | 0,025 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».