Using machine learning for detection of Parkinson’s disease and mild cognitive impairment
Notice bibliographique
Résumé
BACKGROUND: Parkinson's disease is a movement disorder featuring motor symptoms and cognitive decline, which can manifest as mild cognitive impairment. The incidence of mild cognitive impairment increases with disease progression, and Parkinson's disease can cause significant disability, therefore, identification of Parkinson's disease and mild cognitive impairment in Parkinson's disease is imperative. Neuroimaging and biofluid biomarkers have been studied separately, however, research suggests that combining biomarkers may improve detection. OBJECTIVES: We aimed to investigate using machine learning whether a combination of neuroimaging and biofluid biomarkers would result in more effective identification of Parkinson's disease and mild cognitive impairment. METHODS: Utilizing the Parkinson's Progression Markers Initiative dataset, we applied two different machine learning approaches, support vector machine and random forest, to explore combinations of neuroimaging and cerebrospinal fluid biomarkers for detection. RESULTS: Overall, both machine learning techniques had an equivalent performance. In general, in those models for detecting Parkinson's disease, DaT-SPECT performed better than biofluid biomarkers. In models for detecting Parkinson's disease patients with mild cognitive impairment, combining DaT-SPECT with phosphorylated-tau-181 resulted in higher accuracy, outperforming DaT-SPECT alone. CONCLUSIONS: Classification for Parkinson's disease and mild cognitive impairment may be improved by combining neuroimaging with biofluid biomarkers through machine learning models.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 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 | 0,000 |
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 ».