Alzheimer Disease Detection Studies: Perspective on Multi-Modal Data
Notice bibliographique
Résumé
OBJECTIVES: Alzheimer's Disease (AD) is one of the most common neurodegenerative diseases, resulting in progressive cognitive decline, and so accurate and timely AD diagnosis is of critical importance. To this end, various medical technologies and computer-aided diagnosis (CAD), ranging from biosensors and raw signals to medical imaging, have been used to provide information about the state of AD. In this survey, we aim to provide a review on CAD systems for automated AD detection, focusing on different data types: namely, signals and sensors, medical imaging, and electronic medical records (EMR). METHODS: We explored the literature on automated AD detection from 2022-2023. Specifically, we focused on various data resources and reviewed several preprocessing and learning methodologies applied to each data type, as well as evaluation metrics for model performance evaluation. Further, we focused on challenges, future perspectives, and recommendations regarding automated AD diagnosis. RESULTS: Compared to other modalities, medical imaging was the most common data type. The prominent modality was Magnetic Resonance Imaging (MRI). In contrast, studies based on EMR data type were marginal because EMR is mostly used for AD prediction rather than detection. Several challenges were identified: data scarcity and bias, imbalanced datasets, missing information, anonymization, lack of standardization, and explainability. CONCLUSION: Despite recent developments in automated AD detection, improving the trustworthiness and performance of these models, and combining different data types will improve usability and reliability of CAD tools for early AD detection in the clinical practice.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».