A vision transformer approach for fully automated and scalable dementia screening using clock drawing test images
Notice bibliographique
Résumé
INTRODUCTION: The clock drawing test (CDT) screens for dementia but requires trained scorers and lacks standardized criteria. Thus, we developed an automated vision transformer (ViT)-based diagnostic system with convolutional neural network preprocessing for analyzing hand-drawn CDT images. METHODS: = 862; 522 dementia, 340 normal cognition). RESULTS: The ViT approach predicted dementia with 76.5% balanced accuracy, outperforming human-scored features (74.3%) and existing deep learning models (MiniVGG = 73.3%, MobileNetV2 = 72.3%, relevance factor variational autoencoder = 69.1%) on the TDRA dataset. DISCUSSION: This pen-and-paper compatible diagnostic system enables scalable remote cognitive screening through automated CDT image analysis that is competitive with human-scored features, potentially increasing diagnostic accessibility for diverse populations across varied socioeconomic contexts. HIGHLIGHTS: The vision transformer model achieves 76.5% accuracy in dementia detection from clock drawing tests, outperforming human scoring and existing deep learning methods.Novel convolutional neural network-based preprocessing automatically handles challenging image quality issues like shadows, irrelevant markings, and improper cropping.The system requires only a photo of a hand-drawn clock test, enabling scalable remote screening accessible across socioeconomic contexts.A feature-extraction model trained on 54,027 samples demonstrates robust generalization to an independent clinical dataset of 862 patients.This fully automated approach eliminates the need for trained scorers while maintaining diagnostic accuracy above manual methods.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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) | 0,003 | 0,002 |
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 ».