A Novel Approach for the Early Identification of Genetic Risk Factors for Alzheimer's Disease Using EEG and Psychometric Data
Notice bibliographique
Résumé
Alzheimer's disease (AD) is a progressive neurodegenerative disorder associated with impairments in memory and executive functions. Despite significant advancements in identifying genetic risk factors, the high cost and limited accessibility of genetic testing remain major barriers. In this work, we propose a cost-effective screening approach that leverages EEG recordings and psychometric test scores to predict an individual's genetic risk for AD. Our Convolutional Neural Network (CNN) model shows promising performance: it achieved an F1 score of 72.21% in distinguishing APOE-$\varepsilon$4/PICALM GG non-carriers (N) from APOE-$\varepsilon$4 carriers with the risky PICALM GG alleles (A+P+). It reached an F1 score of 60.78% for differentiating non-carriers (N) from APOE-$\varepsilon$4 carriers without the risky alleles (A+P-), and 65.12% when separating A+P- from A+P+. To enhance interpretability, we employ Grad-CAM, which reveals that EEG features contribute more significantly to gene prediction than psychometric measures. Notably, our model also identifies three key psychometric tests, MINI-COPE (which assesses emotional coping skills), the California Verbal Learning Test (CVLT), and NEO Neuroticism, as associated with higher AD risk, consistent with prior research. Moreover, our results align with earlier findings reporting increased theta-band power among high-risk individuals. Finally, Higuchi Fractal Dimension (HFD) features drove most of the EEG-based prediction capability, as shown through our ablation study. This study highlights the potential of integrating neurophysiological and cognitive assessments to develop accessible and reliable screening tools for AD genetic risk, enabling earlier diagnoses.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».