Analyzing Alzheimer's disease progression from sequential magnetic resonance imaging scans using deep convolutional neural networks
Notice bibliographique
Résumé
Alzheimer's disease is a progressive, neurodegenerative disease that at the moment is typically diagnosed from the symptoms of dementia, such as a decline in cognitive abilities, visual and/or speech impairment, loss of memory, rather than the structural changes in the brain that cause it.Neuroimaging modalities, such as Magnetic Resonance Imaging (MRI) scans, have the capacity to capture tissue changes in the brain.But human visual inspection Résumé La maladie d'Alzheimer est une maladie neurodégénérative progressive qui est généralement diagnostiquée à partir de symptômes de démence, tels que la diminution des fonctions cognitives, troubles visuels et/ou trouble de la parole, ainsi que la perte de mémoire plutôt qu'à partir de changements structurels du cerveau (biomarqueur) qui causent cette maladie.Les neuroimages telles l'imagerie par résonance magnétique (IRM) ont la capacité de capter?ces biomarqueurs.Cependant, l'inspection visuelle humaine est limitée et dépend de facteurs tels que l'expérience du radiologue.De plus, les changements au niveau du cerveau commencent au moins 30 ans avant que la maladie se manifeste.Par conséquent, pouvoir prédire la probabilité qu'un patient soit affecté par la maladie d'Alzheimer basé sur son état actuel constitue une source d'information clinique inestimable.Dans ce projet, nous visons à résoudre ce problème en prédisant les chances qu'une personne sera atteinte d'Alzheimer dans le futur proche (6 mois), compte tenu de son IRM T1 actuel.Nous avons entraîné un réseau neuronal convolutif tridimensionnel régularisé par un autoencodeur pour apprendre les biomarqueurs pertinents pour la détection de la maladie d'Alzheimer et avons atteint une précision (test) de 81.93%.Étant donné que la maladie peut évoluer de différentes manières à partir de l'état physiologique actuel d'un patient, nous souhaitons modéliser la distribution par rapport à d'éventuels états futurs de la maladie.Pour apprendre cette correspondance entre chaque état de l'IRM actuel et l'étiquette de maladie de l'état suivant, nous avons entraîné un auto-encodeur variationnel en supposant que la distribution latente est gaussienne.Le modèle entraîné a appris la distribution avec succès et est capable de prédire les différents états pathologiques dans lesquels un patient est susceptible de progresser.CONTENTS v 2.4.1 Initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . .2.4.2Batch Normalization . . . . . . . . . . . . . . . . . . . . . . .2.4.3Cost Functions . . . . . . . .
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 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 ».