Accurate and robust prediction of Amyloid-β brain deposition from plasma biomarkers and clinical information using machine learning
Notice bibliographique
Résumé
Background: Alzheimer's disease (AD) greatly affects the daily functioning and life quality of patients and is prevalent in the elderly population. Amyloid-β (Aβ) accumulation in the brain is the main hallmark of AD pathophysiology. Positron Emission Tomography (PET) imaging is the most accurate method to identify Aβ deposits in the brain, but it is expensive and not widely available. The development of a low-cost method to detect Aβ deposition in the brain, as an alternative to PET, would therefore be of great value. This study aims to develop and validate machine learning algorithms for accurately predicting brain Aβ positivity using plasma biomarkers, genetic information, and clinical data as a cost-effective alternative to PET imaging. Methods: We analyzed 1,043 patients from the Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset and validated our models on 127 patients from the Center for Neurodegeneration and Translational Neuroscience (CNTN) dataset. Brain Aβ status was determined using plasma biomarkers [Aβ42, Aβ40, Phosphorylated tau (pTau) 181, Neurofilament light chain (NfL)], Apolipoprotein E (APOE) genotype, and clinical information [Mini-Mental State Examination (MMSE), Montreal Cognitive Assessment (MoCA), age, education year, and gender]. Decision tree, random forest, support vector machine, and multilayer perceptron machine learning methods were used to combine all this information. We introduced a feature selection method to balance the performance and the number of features. We conducted a feature matching technique to enable our model to be tested on the external dataset without retraining. Results: = 127) and achieved an AUC of 0.90. When using only five features (pTau 181, Aβ42/40, Aβ42, APOE ɛ4 count, and MMSE) on 341 ADNI patients, we achieved an AUC of 0.87. Conclusion: The random forest, support vector machine and multilayer perceptron methods can accurately predict brain Aβ status using plasma biomarkers, genotype, and clinical information. The method generalizes well to an independent dataset and can be reduced to using only five features without losing much accuracy, thus providing an inexpensive alternative to PET imaging.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 |
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 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 ».