Early detection of Alzheimer’s disease progression: comparative evaluation of deep learning models
Notice bibliographique
Résumé
The accurate diagnosis and monitoring of Alzheimer's disease (AD) is particularly critical given the increasing number of cases worldwide. Improving forecasting precision using deep learning models on neuroimaging biomarkers can aid in more accurately predicting Alzheimer's associated disease progression. In this work, we assess two separate 3D Convolutional Neural Network (CNN) models for binary AD progression classification based on MRIs of the brain's structure. The first model uses a whole volume approach and processes entire MRI scans, thus requiring little computational power and minimal preprocessing compared to other methods. Alternatively, the second model applies voxel-level scrutiny by examining specific pre-defined brain regions that have statistically significant grey matter volume differences from cohort analyses. MRI preprocessing includes N4 bias field correction, segmentation of tissues, alignment to the Montreal Neurological Institute (MNI) space, and Gaussian smoothing for homogenization of image quality. For the region-focused model, feature extraction is driven by neuroanatomy, concentrating on areas where AD shows shrinkage changes. The full-volume CNN achieved a 94% validation accuracy, demonstrating high computational efficiency with its simpler architecture, while the region-guided model reached 95% accuracy by leveraging more complex domain-specific structural biomarkers, highlighting enhanced performance at the cost of increased model intricacy. This study highlights the potential of combining deep learning frameworks with neuroimaging biomarkers to improve early detection and monitoring of AD. While our findings highlight the value of guided feature selection and volumetric data evaluation in improving diagnostic precision, they are derived solely from the ADNI dataset and must be validated on more diverse clinical populations.
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 | 0,007 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».