EEG biomarkers for Alzheimer's disease: A novel automated pipeline for detecting and monitoring disease progression
Notice bibliographique
Résumé
BackgroundAlzheimer's disease (AD) is a neurodegenerative disorder that profoundly alters brain function and organization. Currently, there is a lack of validated functional biomarkers to aid in diagnosing and classifying AD. Therefore, there is a pressing need for early, accurate, non-invasive, and accessible methods to detect and characterize disease progression. Electroencephalography (EEG) has emerged as a minimally invasive technique to quantify functional changes in neural activity associated with AD. However, challenges such as poor signal-to-noise ratio-particularly for resting-state (rsEEG) recordings-and issues with standardization have hindered its broader application.ObjectiveTo conduct a pilot analysis of our custom automated preprocessing and feature extraction pipeline to identify indicators of AD and correlates of disease progression.MethodsWe analyzed data from 36 individuals with AD and 29 healthy participants recorded using a standard 19-channel EEG and features were processed using our custom end-t-end pipeline. Various features encompassing amplitude, power, connectivity, complexity, and microstates were extracted. Unsupervised machine learning (uniform manifold approximation and projection) and supervised learning (random forest classifiers with nested cross-validation) were used to characterize the dataset and identify differences between AD and healthy groups.ResultsOur pipeline successfully detected several new and previously established EEG-based measures indicative of AD status and progression, demonstrating strong external validity.ConclusionsOur findings suggest that this automated approach provides a promising initial framework for implementing EEG biomarkers in the AD patient population, paving the way for improved diagnostic and monitoring strategies.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».