Integrating Infection Burden and Multimodal Biomarkers for Early Detection of Alzheimers Disease: A Sheaf-ML Framework
Notice bibliographique
Résumé
Abstract Alzheimers disease (AD) remains a major global health challenge, with growing evidence linking chronic infections, immune aging, and neurodegeneration. Grounded in the Antimicrobial Protection Hypothesis , this study introduces a sheaf-theoretic machine learning framework, Sheaf-ML , for integrating multimodal health data and assessing infection-related cognitive risk. Sheaf-ML constructs a unified patient-level representation that coherently combines diverse data streamsincluding serological infection markers, cognitive assessments, cardiovascular and metabolic measures, nutritional and behavioral evaluationswhile preserving the intrinsic structure and relationships of each modality. Applying this framework to the Harmonized LASI-DAD dataset ( N = 6168), we modeled six clinically motivated domains (Infection, Cognition, Mental Health, Cardiovascular, Nutrition, and Demographics) and integrated them into a topologically consistent representation using learnable cross-domain mappings and consistency constraints. The sheaf-integrated embeddings revealed clinically meaningful interactions: infection burden was linked with cardio-vascular, nutritional, and cognitive outcomes, highlighting system-level coordination across modalities. Using these embeddings, Sheaf-ML produced interpretable patient-level predictions and identified the most influential features both globally and individually. We further derived an Infection Burden Index (IBI) , which quantified patient-level infection-related risk. Patients exceeding the 80 th percentile were flagged as early-warning cases, corresponding to approximately 20% of the cohort, demonstrating actionable stratification for clinical monitoring. This study provides the first empirical evidence that sheaf-based architectures can integrate multimodal health data in a clinically interpretable manner, uncover biologically meaningful interactions, and support patient-specific risk prediction. By linking population-level patterns with individualized insights, Sheaf-ML establishes a foundation for scalable, interpretable, and equitable precision models of infection-related cognitive decline in Alzheimers disease.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».