Developing an explainable machine learning and fog computing-based visual rating scale for the prediction of dementia progression
Notice bibliographique
Résumé
Recently, dementia research has primarily concentrated on using Magnetic Resonance Imaging (MRI) to develop learning models in processing and analyzing brain data. However, these models often cannot provide early detection of affected brain regions. Alternatively, mental test scores such as the Mini-Mental State Examination (MMSE) and Montreal Cognitive Assessment (MoCA) offer valuable insights into the likelihood of dementia and cognitive impairments. The main objective of this study is to introduce an innovative and dependable context-aware health monitoring system based on fog computing to measure mental impairment in the elderly population. The framework provides screening tests utilizing MMSE and MoCA to achieve accurate and real-time monitoring of cognitive function, allowing for early detection and treatment of mental disorders. To assess the effectiveness of our screening test, we evaluated a dataset comprising 450 subjects with Mild Cognitive Impairment (MCI) from Kaferelshikh University. The aggregated dataset is categorized into three classes: (1) 150 patients with MCI, (2) 150 subjects with subcortical diseases, Parkinson's Disease (PD), and (3) 150 subjects with cortical diseases, Alzheimer's Disease (AD). To accurately determine health risks, we employ an ensemble AdaBoost model, providing superior performance in accuracy, precision, recall, F-score, and Area Under the Curve (AUC). To validate the effectiveness of our Machine Learning (ML) model on unseen data, we evaluate an additional 18 subjects using the proposed scoring test, with six subjects from each class. The results indicate that our proposed ML model achieves an impressive accuracy of 0.93, outperforming the MoCA score (0.90) and MMSE score (0.83). Through our research, we demonstrate the potential of our context-aware fog computing approach in significantly enhancing early diagnosis of dementia, leveraging mental test scores as valuable indicators.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 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 ».