An explainable AI approach for mapping multivariate regional brain age and clinical severity patterns in Alzheimer’s disease
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Age is a significant risk factor for mild cognitive impairment (MCI) and Alzheimer’s disease (AD) and identifying brain age patterns is critical for comprehending the normal aging and MCI/AD processes. Prior studies have widely established the univariate relationships between brain regions and age, while multivariate associations remain largely unexplored. Herein, various artificial intelligence (AI) models were used to perform brain age prediction using an MRI dataset (n = 825). The optimal AI model was then integrated with the feature importance methods, namely Shapley additive explanations (SHAP), local interpretable model-agnostic explanations, and layer-wise relevance propagation, to identify the significant multivariate brain regions hierarchically involved in this prediction. Our results showed that the deep learning model (referred to as AgeNet) outperformed conventional machine learning models for brain age prediction, and that AgeNet integrated with SHAP (referred to as AgeNet-SHAP) identified all ground-truth perturbed regions as key predictors of brain age in semi-simulation, demonstrating the validity of our methodology. In the experimental dataset, when compared to cognitively normal (CN) participants, MCI exhibited moderate differences in brain regions, whereas AD showed highly robust and widely distributed regional differences. Individualized AgeNet-SHAP regional features further showed associations with clinical severity scores in the AD continuum. These results collectively facilitate data-driven explainable AI approaches for disease progression, diagnostics, prognostics, and personalized medicine 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.
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 | 0,005 | 0,001 |
| 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 découle