Leveraging Explainable Artificial Intelligence to Identify Key Features required for Differentiating Clinical Neurocognitive Disorder Diagnoses using Toronto Cognitive Assessment
Notice bibliographique
Résumé
Abstract Background Accurate clinical diagnosis for Alzheimer's disease dementia (AD), amnestic mild cognitive impairment (aMCI), and non‐amnestic MCI (naMCI) is essential for timely management. The diagnosis is made using a range of factors including cognitive testing. Explainable artificial intelligence (XAI)‐based SHAP (SHapley Additive exPlanations) is a machine learning interpretability tool that can provide insights into specific features that drive classification decisions. We used XAI with support vector machines (SVM) to identify key cognitive features of Toronto Cognitive Assessment (TorCA), a user‐friendly cognitive assessment administered by frontline clinicians, for differentiating neurocognitive disorder diagnoses. Method We used data from the Toronto Dementia Research Alliance (TDRA) database, comprising of participants with AD, aMCI, naMCI, or normal cognition (NC) seen in memory clinics across Toronto. An SVM model with radial basis function (RBF) kernel was configured with 10‐fold cross‐validation. XAI was integrated using SHAP values to identify the most important critical features contributing to the model predictions. Classification accuracies, defined as the proportion of correct classifications for each pairwise comparison, were calculated using TorCA total scores and specific features from subtests. Result We included 695 participants (149 AD, 189 aMCI, 304 naMCI, and 53 NC). Classification accuracy for distinguishing AD vs NC was excellent, whether using all TorCA subtests (0.97±0.03), or the top 5 features (0.96±0.04) (Delayed Recall, Immediate Recall Trials 1 and 2, Sentence Comprehension, Benson Figure Recall), but lower (0.93±0.06) with only TorCA total score. Classification accuracy for MCI or naMCI vs NC was also very good (0.86±0.03 to 0.89±0.04) using the top 5 features. Conclusion TorCA combined with XAI can accurately differentiate common clinical neurocognitive disorder phenotypes in ambulatory settings. These findings point to specific cognitive subtests important for diagnosis and may help improve the efficiency of cognitive testing. Future studies should investigate the differentiation of other neurocognitive disorders using these tools and further validate these findings using formal neuropsychological testing.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».