Enhancing Mild Cognitive Impairment Auxiliary Identification Through Multimodal Cognitive Assessment with Eye Tracking and Convolutional Neural Network Analysis
Notice bibliographique
Résumé
Background: Mild Cognitive Impairment (MCI) is a critical transitional phase between normal aging and dementia, and early detection is essential to mitigate cognitive decline. Traditional cognitive assessment tools, such as the Mini-Mental State Examination (MMSE) and the Montreal Cognitive Assessment (MoCA), exhibit limitations in feasibility, which potentially and partially affects results for early-stage MCI detection. This study developed and tested a supportive cognitive assessment system for MCI auxiliary identification, leveraging eye-tracking features and convolutional neural network (CNN) analysis. Methods: The system employed eye-tracking technology in conjunction with machine learning to build a multimodal auxiliary identification model. Four eye movement tasks and two cognitive tests were administered to 128 participants (40 MCI patients, 57 elderly controls, 31 young adults as reference). We extracted 31 eye movement and 8 behavioral features to assess their contributions to classification accuracy using CNN analysis. Eye movement features only, behavioral features only, and combined features models were developed and tested respectively, to find out the most effective approach for MCI auxiliary identification. Results: Overall, the combined features model achieved a higher discrimination accuracy than models with single feature sets alone. Specifically, the model’s ability to differentiate MCI from healthy individuals, including young adults, reached an average accuracy of 74.62%. For distinguishing MCI from elderly controls, the model’s accuracy averaged 66.50%. Conclusions: Results show that a multimodal model significantly outperforms single-feature models in identifying MCI, highlighting the potential of eye-tracking for early detection. These findings suggest that integrating multimodal data can enhance the effectiveness of MCI auxiliary identification, providing a novel potential pathway for community-based early detection efforts.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».