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 Rsum La maladie d'Alzheimer est une maladie neurodgnrative progressive qui est gnralement diagnostique partir de symptmes de dmence, tels que la diminution des fonctions cognitives, troubles visuels et/ou trouble de la parole, ainsi que la perte de mmoire plutt qu' partir de changements structurels du cerveau (biomarqueur) qui causent cette maladie.Les neuroimages telles l'imagerie par rsonance magntique (IRM) ont la capacit de capter?ces biomarqueurs.Cependant, l'inspection visuelle humaine est limite et dpend de facteurs tels que l'exprience du radiologue.De plus, les changements au niveau du cerveau commencent au moins 30 ans avant que la maladie se manifeste.Par consquent, pouvoir prdire la probabilit qu'un patient soit affect par la maladie d'Alzheimer bas sur son tat actuel constitue une source d'information clinique inestimable.Dans ce projet, nous visons rsoudre ce problme en prdisant les chances qu'une personne sera atteinte d'Alzheimer dans le futur proche (6 mois), compte tenu de son IRM T1 actuel.Nous avons entran un rseau neuronal convolutif tridimensionnel rgularis par un autoencodeur pour apprendre les biomarqueurs pertinents pour la dtection de la maladie d'Alzheimer et avons atteint une prcision (test) de 81.93%.tant donn que la maladie peut voluer de diffrentes manires partir de l'tat physiologique actuel d'un patient, nous souhaitons modliser la distribution par rapport d'ventuels tats futurs de la maladie.Pour apprendre cette correspondance entre chaque tat de l'IRM actuel et l'tiquette de maladie de l'tat suivant, nous avons entran un auto-encodeur variationnel en supposant que la distribution latente est gaussienne.Le modle entran a appris la distribution avec succs et est capable de prdire les diffrents tats pathologiques dans lesquels un patient est susceptible de progresser.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».