IoMT driven Alzheimer’s prediction model empowered with transfer learning and explainable AI approach in healthcare 5.0
Notice bibliographique
Résumé
Alzheimer's disease (AD) is a progressive neurodegenerative disorder and the primary cause of dementia, responsible for 60-70% of global cases. It severely affects memory, cognitive function, and daily independence, placing a substantial emotional and economic burden on patients and caregivers. Early and accurate prediction remains difficult due to the high cost of neuroimaging, scarcity of annotated datasets, and the "black-box" nature of most artificial intelligence (AI) models. With the emergence of Healthcare 5.0, the Internet of Medical Things (IoMT) offers new opportunities for patient-centric, real-time monitoring and data-driven diagnosis. This study proposes an IoMT-driven Alzheimer's prediction framework that combines transfer learning (ResNet152) with explainable AI (XAI) to provide both accuracy and interpretability. The publicly available Kaggle Alzheimer's MRI dataset, comprising 33,984 images across four classes (Non-Demented, Very Mild, Mild, and Moderate Demented) was employed. To address class imbalance, a Conditional Wasserstein GAN was applied for synthetic image generation and balanced sampling. The proposed ResNet152-TL-XAI model achieved 97.77% accuracy, with a precision of 0.981, recall of 0.987, F1-score of 0.983, and specificity of 99.13%, outperforming several state-of-the-art methods. Interpretability was ensured through Grad-CAM, SHAP, and LIME, which consistently highlighted clinically relevant brain regions such as the Hippocampus and ventricles, confirming biological plausibility and increasing clinician trust. By integrating IoMT-enabled data acquisition, transfer learning for efficient training, and multi-method XAI for transparency, the proposed pipeline demonstrates strong potential for early, accurate, and interpretable Alzheimer's staging. These results position the framework as a practical candidate for integration into Healthcare 5.0 ecosystems, supporting timely diagnosis, patient monitoring, and personalized interventions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 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 ».