Support Vector Machine for Stratification of Cognitive Impairment Using 3D T1WI in Patients with Type 2 Diabetes Mellitus
Notice bibliographique
Résumé
Zhigao Xu,1 Lili Zhao,1 Lei Yin,2 Milan Cao,3 Yan Liu,4 Feng Gu,1 Xiaohui Liu,1 Guojiang Zhang5 1Department of Radiology, The Third People’s Hospital of Datong, Datong, 037046, People’s Republic of China; 2Graduate School, Changzhi Medical School, Changzhi, 046013, People’s Republic of China; 3Department of Science and Education, The Third People’s Hospital of Datong, Datong, 037046, People’s Republic of China; 4Department of Endocrinology, The Third People’s Hospital of Datong, Datong, 037046, People’s Republic of China; 5Department of Cardiovasology, The Third People’s Hospital of Datong, Datong, 037046, People’s Republic of ChinaCorrespondence: Guojiang Zhang, Department of Cardiovasology, The Third People’s Hospital, Pingcheng District, Datong, Shanxi, 037046, People’s Republic of China, Email yxkysjjys@163.comPurpose: To explore the potential of MRI-based radiomics in predicting cognitive dysfunction in patients with diagnosed type 2 diabetes mellitus (T2DM).Patients and Methods: In this study, data on 158 patients with T2DM were retrospectively collected between September 2019 and December 2020. The participants were categorized into a normal cognitive function (N) group (n=30), a mild cognitive impairment (MCI) group (n=90), and a dementia (DM) group (n=38) according to the Chinese version of the Montréal Cognitive Assessment Scale-B (MoCA-B). Radiomics features were extracted from the brain tissue except ventricles and sulci in the 3D T1WI images, support vector machine (SVM) model was then established to identify the CI and N groups, and the MCI and DM groups, respectively. The models were evaluated based on their area under the receiver operating characteristic curve (AUC), Precision (P), Recall rate (Recall, R), F1-score, and Support. Finally, ROC curves were plotted for each model.Results: The study consisted of 68 cases in the N and CI group, with 54 cases in the training set and 14 in the verification set, and 128 cases were included in the MCI and DM groups, with 90 training sets and 38 verification sets. The consistency for inter-group and intra-group of radiomics features in two physicians were 0.86 and 0.90, respectively. After features selection, there were 11 optimal features to distinguish N and CI and 12 optimal features to MCI and DM. In the test set, the AUC for the SVM classifier was 0.857 and the accuracy was 0.830 in distinguishing CI and N, while AUC was 0.821 and the accuracy was 0.830 in distinguishing MCI and DM.Conclusion: The SVM model based on MRI radiomics exhibits high efficacy in the diagnosis of cognitive dysfunction and evaluation of its severity among patients with T2DM.Keywords: cognitive dysfunction, radiomics, magnetic resonance imaging, support vector machine, diabetes mellitus, type 2
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 | 0,000 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».