Domain specific transfer learning and classifier chains in Alzheimer's disease detection using 3D convolutional neural networks
Notice bibliographique
Résumé
This study examines different configurations of deep convolutional neural networks (CNNs) and the effect of using domain-specific transfer learning for distinguishing Alzheimer’s Disease and Mild Cognitive Impairment from normal controls. The data used to train our models was provided by ADNI and included 1,118 3D FDG-PET scans in total. We train a binary and a multiclass classifier, as well as chains of binary classifiers, for consecutive multiclass classification. Two chains were trained with different orders: chain A classified cognitively normal (CN) vs. non-CN, followed by Alzheimer’s disease (AD) vs. mild cognitive impairment (MCI). Classifier chain B classified AD vs. non-AD first, followed by MCI vs. CN. All classifiers were trained with and without the use of domain-specific transfer learning, using weights from Med3D. All models achieve comparable performance to the state-of-the-art. Classifier chain A even achieved superior performance with an accuracy of 96%, F1 score of 95% and AUROC of 99%. Using domain-specific transfer learning resulted in worse performance among the majority of the models, producing decreases in accuracy of up to 55%. These results show the potential of binary classifier chains and open some questions about the use of domain-specific transfer learning. • Binary classifiers outperform multiclass 3D CNNs in performance. • Chaining binary classifiers for multiclass scenarios improves performance. • The use of domain-specific transfer learning should be evaluated critically.
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 | 0,005 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».