An adaptive learning framework for Alzheimer’s disease diagnosis using structural Magnetic Resonance Imaging data analytics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Early and accurate diagnosis of Alzheimer’s disease (AD) is crucial for managing the disease and selecting therapies to slow its progression. Machine learning (ML) has demonstrated significant potential in improving its diagnostic accuracy with structural Magnetic Resonance Imaging (sMRI) data. However, developing robust ML models faces the challenge of domain shift in sMRI data caused by differences between datasets sources. These differences can lead to performance degradation when applying the ML models trained on one dataset to another. To address this issue, we propose a cross-domain learning framework tailored to classify AD, mild cognitive impairment (MCI), and cognitively normal (CN) subjects from sMRI data accounting for domain shift. Our approach begins by transfer-learning with pre-trained 3D ResNet50 using labeled images from the source domain. We then enhance the model through adversarial training using both source images and unlabeled target images and use the maximum mean discrepancy (MMD) to align the feature distributions across different domains at the same time. Building upon the adversarially trained model, we introduce a self-supervised learning stage with a teacher–student framework incorporated, which reduces class imbalance via dynamic class weights and reinforces domain alignment via MMD. Our proposed framework is validated to outperform existing domain adaptation approaches on 3T and 1.5T sMRI scans from Alzheimer’s Disease Neuroimaging Initiative (ADNI) dataset. Notably for MCI vs.CN classification, our model achieves a high enough accuracy of 86.86% to enable early detection of dementia.
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.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle