清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Predicting Decline in Clinical Assessments of Alzheimer’s Disease With Machine Learning and 3D Brain MRI

疾病 计算机科学 人工智能 机器学习 医学 神经科学 心理学 病理
作者
Nikita Goel,Sophia I. Thomopoulos,Paul M. Thompson
出处
期刊: 卷期号:: 1-4
标识
DOI:10.1109/sipaim56729.2023.10373444
摘要

Alzheimer’s disease (AD) is a progressive neurode-generative disorder affecting around 50 million people globally. An important objective of AD research is to predict the likelihood that a subject with Mild Cognitive Impairment (MCI) –an intermediate stage between healthy aging and Alzheimer’s disease–will progress to AD over a specific time span, typically 2 years. Such prognostic models are crucial in assessing effects of risk factors or protective factors (such as novel anti-amyloid drugs). Here we benchmarked a range of machine learning models to predict 2-year decline in clinical scores from measures derived from 3D anatomical brain MRI, age, sex, APOE genotype, and baseline standardized test scores– Mini Mental State Exam (MMSE) and Alzheimer’s Disease Assessment Score Cognitive (ADAS-cog) – in 2,448 ADNI participants (1,132 with MCI, 883 Healthy Controls (HC), and 433 with Dementia). We began by predicting change in MMSE and ADAS-Cog values across a 2-year period for both control participants and those with MCI, regardless of their conversion status. Then, as a post hoc sensitivity analysis, we examined the prediction accuracy in converters (HC$\rightarrow$MCI,MCI$\rightarrow$AD). For predicting the change in MMSE over a 2-year interval, the kernel-PCA compacted features achieved a correlation coefficient of 0.803 in Controls and 0.784 in the MCI group. For ADAS-cog (Alzheimer’s Disease Assessment Scale-Cognitive subscale), the model achieved a correlation coefficient of 0.861 for Controls and 0.826 for the MCI group.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
顺心季节完成签到,获得积分10
15秒前
aaa完成签到,获得积分10
16秒前
24秒前
称心的随阴完成签到,获得积分10
27秒前
充电宝的应助被科研通管家采纳,获得10
27秒前
Maestro_S的应助被科研通管家采纳,获得10
27秒前
369ninja的应助被科研通管家采纳,获得10
27秒前
Criminology34的应助被科研通管家采纳,获得10
27秒前
天天快乐的应助被科研通管家采纳,获得10
27秒前
jane123发布了新的文献求助30
30秒前
49秒前
53秒前
龙龙发布了新的文献求助10
54秒前
成就马里奥完成签到,获得积分10
54秒前
顺利大门完成签到,获得积分10
1分钟前
1分钟前
超帅黑夜完成签到,获得积分10
1分钟前
科研通AI6.3的应助被Raju采纳,获得10
1分钟前
爱撒娇的芷巧完成签到,获得积分10
1分钟前
aspect完成签到 ,获得积分10
1分钟前
jane123完成签到,获得积分10
1分钟前
1分钟前
龙龙发布了新的文献求助10
1分钟前
Everything完成签到,获得积分10
1分钟前
1分钟前
健康的忘幽完成签到,获得积分10
1分钟前
田様的应助被李pp采纳,获得10
2分钟前
2分钟前
2分钟前
孤独君浩发布了新的文献求助10
2分钟前
所所的应助被孤独君浩采纳,获得10
2分钟前
Criminology34的应助被科研通管家采纳,获得10
2分钟前
Criminology34的应助被科研通管家采纳,获得10
2分钟前
Criminology34的应助被科研通管家采纳,获得10
2分钟前
迷路飞凤完成签到,获得积分10
2分钟前
科研通AI6.2的应助被龙龙采纳,获得10
2分钟前
cc完成签到,获得积分10
2分钟前
2分钟前
合不着完成签到 ,获得积分10
2分钟前
loii完成签到,获得积分0
2分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
plantTFDB 508
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8173194
求助须知:如何正确求助?哪些是违规求助? 9565558
关于积分的说明 21780461
捐赠科研通 7767279
什么是DOI,文献DOI怎么找? 3431542
关于科研通互助平台的介绍 2555697
邀请新用户注册赠送积分活动 2476682