Alzheimer's disease classification by supervised and intelligent techniques
Notice bibliographique
Résumé
Background: Significant advancements in neuroimaging have emerged over the past decade, notably through positron emission tomography (PET) and magnetic resonance imaging (MRI) for diagnosing Alzheimer's disease (AD) and its precursor, mild cognitive impairment (MCI). Combining imaging modalities with machine learning (ML) techniques enhances diagnostic accuracy. Objective: To develop predictive models using pre-treatment brain imaging data to distinguish between normal controls (NC), MCI, and AD stages, improving diagnostic precision. Methods: We utilized the Alzheimer's Disease Neuroimaging Initiative database, processing 3D MRI, PET Florbetaben, and PET Flortaucipir images. Techniques included convolutional neural networks (CNN), fuzzy logic, and multi-layer perceptron (MLP). Feature extraction involved amyloid-β volume, tau protein levels, and empty space volumes. Results: The fuzzy logic approach achieved a classification accuracy of 99.1%, outperforming CNN (90.67%) and MLP (94%). Integration of multimodal data significantly enhanced performance compared to single-modality approaches. Conclusions: Our study demonstrates that integrating advanced ML techniques with multimodal neuroimaging can effectively classify AD stages. These findings address critical gaps in early detection and provide a foundation for future clinical applications.
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 ».