A Vision Transformer Approach for Fully Automated and Scalable Dementia Screening using Clock Drawing Test Images
Notice bibliographique
Résumé
BACKGROUND: The clock drawing test (CDT) has been used as a cognitive screening tool for Alzheimer's disease (AD) and other forms of dementia. However, its clinical utility is constrained by requirements for trained scorers and non-standardized diagnostic criteria. METHOD: We developed a fully-automated vision transformer (ViT)-based dementia diagnostic pipeline incorporating convolutional neural network (CNN) preprocessing of hand drawn CDT images. The architecture implements fine-tuned ViT feature extraction followed by linear classification for dementia prediction. The method was trained using the National Health and Aging Trends Study (NHATS) dataset (n = 54027) and tested on an independent clinical cohort from the Toronto Dementia Research Alliance (TDRA) (n(dementia diagnosis) = 522, n(normal cognition) = 340). RESULTS: The ViT-based approach demonstrated superior predictive performance (balanced accuracy = 76.5%) compared to both traditional human-scored CDT features (balanced accuracy = 74.3%) and three published deep learning architectures when evaluated on the TDRA dataset (balanced accuracy: MiniVGG = 73.3%, MNv2 = 72.3%, RF-VAE = 69.1%). CONCLUSION: This pen-and-paper compatible, transformer-based diagnostic system enables scalable remote cognitive screening through automated CDT image analysis that is competitive with human-scored features, potentially increasing diagnostic accessibility and comfort for elderly populations across diverse socioeconomic contexts.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».