Publikationer från KTH
Not a member yet
57933 research outputs found
Sort by
Jämförelse av det proteinkodande transkriptomet över arter och celltyper i den visuella hjärnbarken
No full textDen visuella hjärnbarken hos däggdjur har utvecklat högt specialiserade celltyper och hierarkiska strukturer, men likheter och skillnader i cellernas sammansättning mellan arter har ännu inte kartlagts. Att förstå dessa särdrag mellan olika arter är viktigt för att förbättra tolkningen av djurmodeller inom neurovetenskapen. I denna studie använde vi enkelkärne-RNA-sekvensering för att bygga en jämförande ramverk över den visuella hjärnbarken hos människor, makaker, möss och grisar. Genom integrering av klusteranalys och cellannoteringsstrategier kunde vi systematiskt karakterisera de transkriptomiska egenskaperna hos olika cellpopulationer mellan arter. Våra resultat visade att expressionsprofilerna för samma celltyp generellt grupperades tillsammans mellan arter, vilket tyder på en viss grad av konservering hos de viktigaste hjärncellstyperna. För att ytterligare utforska dessa underliggande mönster använde vi två kompletterande analytiska metoder för artjämförelsen: en batch-korrigerad uttrycksstrategi och en kategoribaserad klassificeringsmetod. Den förstnämnda visade globala likheter i uttrycksstrukturen mellan arter, medan den sistnämnda betonade skillnader i celltypsspecifik genaktivitet. Sammantaget visade dessa analyser att även om den generella transkriptionella strukturen är bevarad, bidrar artspecifika uttryck av nyckelgener till den molekylära mångfalden.The visual cortex of mammals has evolved highly specialized cell types and hierarchical structures, but the similarities and differences in cellular composition across species have not been revealed. Understanding these interspecies features is important for improving the interpretation of animal models in neuroscience. Here, based on single nucleus RNA sequencing, we constructed a cross-species comparative framework for the visual cortex in humans, macaques, mice, and pigs. By integrating clustering methods and cell annotation strategies, we systematically characterized the transcriptomic features of diverse cell populations across species. Our results showed that the expression profiles of the same cell type generally cluster together across species, displaying a certain degree of conservation in major brain cell types. To further explore the underlying patterns, we employed two complementary analytical approaches for the species comparison: a batch-corrected expression strategy and a category-based classification method. While the former revealed global similarities in expression structure across species, the latter emphasized differences in cell-type–specific gene activity. Together, these analyses demonstrated that although general transcriptional frameworks are preserved, species-specific expression of key genes contributes to molecular diversity
Optimera användbarhet i digitala produktpass : Ett användarcentrerat tillvägagångssätt
No full textAs the European Union prepares to implement mandatory Digital Product Passports (DPPs), there is an increasing interest in how to understand how these tools are actually used in practice. While much attention has been given to technical standards, usability is still an underexplored aspect. In this thesis, we investigated how different interface formats, text-based, infographic, and interactive affect users’ ability to interpret and trust sustainability related information. Our field study was conducted in collaboration with Wareflex, a logistics company in Vietnam. We developed three high-fidelity DPP prototypes and tested them with 30 participants through usability tasks and interviews. The results showed that infographic and interactive formats were not only preferred but also helped participants complete tasks more efficiently and confidently. Instead of concentrating solely on regulations or backend structures, our aim was to look at DPPs from a user’s perspective. The study provides concrete design insights that can help developers, policymakers, and businesses make DPPs more accessible, especially in practical use cases where clarity and trust are key.I takt med att EU närmar sig ett införande av digitala produktpass (DPP) som ett krav för hållbarhetsarbete, har vi märkt att användarvänligheten ofta hamnar i skymundan. Vår kandidatuppsats fokuserar därför på hur olika gränssnittsformat text, infografik och interaktiv design – påverkar hur människor tolkar och litar på hållbarhetsinformation. Studien genomfördes som ett fältarbete i samarbete med logistikföretaget Wareflex i Vietnam. Vi tog fram tre prototyper och lät 30 deltagare testa dem genom uppgifter och intervjuer. Resultatet visade att infografiska och interaktiva format inte bara var mer uppskattade, utan också hjälpte användarna att lösa uppgifterna snabbare och med större säkerhet. Istället för att utgå från tekniska lösningar eller regelverk ville vi förstå hur DPP:er fungerar ur ett användarperspektiv. Studien ger konkreta rekommendationer för hur DPP:er kan göras mer begripliga och användbara, särskilt i verkliga miljöer där tydlighet och förtroende spelar stor roll
SVM Text classification of customer messages at an investment firm
No full textThe rapid progress of artificial intelligence (AI) and machine learning (ML) opens new avenues for streamlining customer support, notably through automated text classification. This thesis explores the potential of automating the classification of customer messages at a Swedish investment firm using Term Frequency-Inverse Document Frequency (TF-IDF) vectors and a Support Vector Machine (SVM) model. The goal is to develop a machine learning model in Swedish that can accurately identify relevant categories in customer inquiries, aiming to replace manual tagging. The data set comprised 67 684 historical customer messages distributed across 26 categories. The project includes both the technical development of the model and an organizational impact analysis from a cost-benefit and learning perspective. The results show that although the model demonstrates some classification ability (accuracy 51%, F1-score 58%), it does not yet meet the standard required for full implementation. However, the study highlights valuable organizational effects, including enhanced learning culture, more efficient workflows, and improved readiness for broader AI adoption. Thus, the thesis illustrates how even modest AI initiatives can generate long-term strategic value.Den snabba utvecklingen inom artificiell intelligens (AI) och maskininlärning (ML) skapar nya möjligheter att effektivisera kundsupport, särskilt genom automatiserad textklassificering. Detta examensarbete undersöker möjligheten att automatisera klassificeringen av kundmeddelanden hos ett svenskt investeringsföretag med hjälp av Termfrekvens Invers Dokumentfrekvensvektorer (TF-IDF) och en Support Vector Machine (SVM)-modell. Syftet är att skapa en ML-modell på svenska som kan identifiera relevanta kategorier i kundmeddelanden med tillräcklig noggrannhet för att ersätta manuell taggning. Datasetet bestod av 67 684 historiska kundmeddelanden fördelade över 26 kategorier. Arbetet omfattar både teknisk modellutveckling och en analys av modellens organisatoriska påverkan utifrån ett kostnads-nytto- och lärandeperspektiv. Resultatet visar att modellen, trots viss klassificeringsförmåga (noggrannhet 51%, F1-värde 58%), inte uppnår den nivå som krävs för att direkt implementeras. Däremot identifieras värdefulla organisatoriska effekter, som stärkt lärandekultur, effektivare arbetsprocesser och förutsättningar för bredare AI-användning på sikt. Arbetet visar därmed hur även enkla AI-initiativ kan skapa långsiktigt strategiskt värde
Prediktering av skogsdöd : En jämförande studie av datadrivna metoder för tidsserier av klimatdata
No full textForest die-off events are increasing globally due to climate change, yet understanding and predicting these events remains a challenge. Machine learning offers a promising approach to identifying early warning signals in climate data, which could improve forest management and conservation efforts. This study applies machine learning based time-series classification to predict forest die-offs using climate variables from TerraClimate and labeled die-off events from the Global Tree Mortality Database. Three machine learning models, Detach-ROCKET, GRU, and Random Forest, were evaluated to determine their predictive ability, varying the temporal proximity to the event. Feature importance analysis was conducted to identify key climate variables linked to tree mortality. The study also examined the influence of hyperparameters, data preprocessing, and training-test splitting strategies to ensure robust model evaluation. The results highlight heat- and drought-related variables as the strongest predictors of forest die-offs. Among the models, Detach-ROCKET significantly outperformed the others, achieving the highest accuracy and demonstrating predictive ability up to three years before an event. However, performance declined for longer lead times, limiting its practical usefulness for early detection. Additionally, clustered data in the Global Tree Mortality Database introduced challenges, requiring careful data partitioning to prevent information leakage. While the study demonstrates the potential of machine learning for forest die-off prediction, limitations in dataset size, clustering, and negative sample generation impact model performance and generalizability. Addressing these challenges will be crucial for improving predictive accuracy in future research. Nevertheless, this work represents the first global-scale application of advanced machine learning models to predict forest die-offs, providing valuable methodological insights into performance and reliability, while reinforcing the link between climate stressors and tree mortality.Med växande klimatförändringar förväntas skogsdöd öka globalt, men dessa händelser förblir svåra att förstå och förutsäga. En lovande metod för att identifiera tidiga varningssignaler i klimatdata är maskininlärning, som kan användas för att förbättra förvaltning och skydd av skogar. Denna studie tillämpar maskininlärningsbaserad tidsserieklassificering för att förutsäga skogsdöd, med hjälp av klimatdata från TerraClimate och fall av skogsdöd från Global Tree Mortality Database. Tre maskininlärningsmodeller, Detach-ROCKET, GRU och Random Forest, applicerades och jämfördes med avseende på prediktiv förmåga, med olika tidsavstånd till händelsen. Även klimatvariablernas betydelse analyserades för att identifiera de viktigasste klimatfaktorerna kopplade till skogsdöd. Studien undersökte slutligen också hur modellernas noggrannhet påverkas av val av hyperparametrar, databearbetning, och strategier för tränings- och testuppdelning. Resultaten från studien visar att torka och värme är de starkaste indikatorerna för skogsdöd. Bland modellerna presterade Detach-ROCKET signifikant bättre än de andra två, med högst precision och en förmåga att förutsäga skogsdöd upp till tre år innan händelsen. Noggrannheten minskade emellertid med ökat tidsavstånd till händelsen, vilket begränsar praktiska användningsområdena för modellen i nuläget. Dessutom fanns vissa metodologiska utmaningar i datan, så som kluster av datapunkter, vilket krävde välgenomtänkt uppdelning av tränings- och testdata för att undvika informationsläckage. Även om studien visar på en stor potential hos maskininlärning för att förutsäga skogsdöd finns det begränsningar i datasetet, så som dess storlek, klustring, och generering av negativa fall som påverkar modellernas noggrannhet och generaliserbarhet. För att förbättra prediktiv noggrannhet i framtida studier, behöver dessa utmaningar hanteras. Trots utmaningarna är denna studie en lovande första tillämning av avancerade maskininlärningsmodeller på skogsdöd på en global skala, och bidrar med värdefulla metodologiska instinkter om noggrannhet och tillförlitlighet, samt understryker kopplingen mellan klimatstress och skogsdöd
Utvärdering av avancerade tekniker för hämtningsförstärkt generering vid multi-hop frågor : En jämförande studie av Naive RAG, Recursive RAG och Graph RAG
No full textRetrieval-Augmented Generation (RAG) enhances large language models (LLMs) by incorporating information retrieved from external sources, such as document corpora or structured databases, to improve the accuracy and relevance of generated responses. RAG techniques range from simple, naive approaches to advanced methods using recursive retrieval or structured knowledge. While naive RAG handles basic queries well, it struggles with multi-hop QA and is prone to hallucinations. More sophisticated methods improve reasoning but typically require greater computational resources. To assess the trade-off between accuracy and resource consumption, this thesis presents a comparative evaluation of four RAG systems: Naive RAG, Recursive RAG, KG-Graph RAG, and Community-Graph RAG. The evaluation is conducted on a multi-hop QA dataset with diverse query types, including inference, temporal, comparison, and null queries. Each system is assessed based on generation accuracy, retrieval quality, and resource consumption. KG-Graph RAG achieves high accuracy, strong inference capabilities, and the lowest hallucination rate, while maintaining efficient token usage and moderate computational demand. Community-Graph RAG excels in temporal queries but incurs higher latency and cost. Naive RAG and Recursive RAG offer a balanced trade-off between cost and accuracy, making them suitable for general-purpose applications. While these results offer practical guidance for selecting RAG strategies based on use-case needs, accuracy on multi-hop QA remains an area for improvement. Future work could explore hybrid systems that dynamically switch retrieval strategies based on query type to optimize both performance and efficiency.Hämtningsförstärkt Generering (RAG) förbättrar stora språkmodeller (LLMs) genom att integrera information från externa källor, såsom dokumentsamlingar eller databaser, vilket ökar noggrannheten och relevansen i de genererade svaren. RAG-tekniker varierar från enkla, naiva metoder till avancerade tekniker som exempelvis använder sig av rekursiv hämtning. Metoder som Naive RAG hanterar enkla frågor väl, men har svårigheter med multi-hop frågor och tenderar att hallucinera i sina svar. Detta är till skillnad från mer sofistikerade metoder, som förbättrar resonemangsförmågan, men kräver mer beräkningsresurser. I detta arbete genomför vi en jämförande studie av fyra RAG-system: Naive RAG, Recursive RAG, KG-Graph RAG och Community-Graph RAG. Utvärderingen baseras på ett multi-hop QA dataset med olika typer av frågor, inklusive inferens-, temporala-, jämförelse- och null-frågor. Alla system utvärderas utifrån svarsnoggrannhet, kvalitet på den hämtade informationen samt resursförbrukning. KG-Graph RAG visar på hög noggrannhet, stark inferensförmåga och den lägsta graden av hallucinationer, samtidigt som det har låg tokenanvändning och måttlig beräkningsbelastning. Community-Graph RAG presterar särskilt bra vid temporala frågor, men har längre svarstid och högre token-kostnader. Naive RAG och Recursive RAG erbjuder en balanserad avvägning mellan kostnad och noggrannhet, vilket gör dem väl lämpade för allmänna användningsområden. Sammanfattningsvis ger dessa resultat en praktisk vägledning i valet av RAG-metod utifrån användningsområde. Svarsnoggrannheten vid multi-hop QA är dock fortfarande ett område med förbättringspotential. Framtida arbete skulle kunna utforska hybrida system som dynamiskt växlar mellan hämtningstekniker beroende på frågetyp, i syfte att optimera både prestanda och effektivitet
Kontroll av Enheter Genom Rörelser
No full textThis thesis presents the development of a real-time gesture recognition system, designed for hands-free control of a personal computer. The system can track and classify both static and dynamic gestures, and can distinguish between discrete and continuous inputs. The development process was carried out in two iterations, which resulted in two prototypes, alpha and beta. The alpha prototype uses a simpler model, can only track static gestures and has poor performance, but it is platform independent. The beta prototype can interpret both static and dynamic movements and has better performance, but is only available for Windows operating system. The use of a dense neural network and a long short-term memory based model are compared in the report. The final implementation achieves an 85% accuracy in classifying gestures. The findings demonstrate the feasibility and effectiveness of gesture-based control, highlighting potential for future development in accessible and intuitive interaction systems.Detta examensarbete undersöker utvecklingen av ett system för realtidsigenkänning av rörelser, med syfte att möjliggöra styrning av en dator utan fysisk kontakt. Systemet kan spåra och klassificera både statiska och dynamiska gester, och kan skilja mellan diskreta och kontinuerliga rörelser. Utvecklingsprocessen utfördes i två omgångar, som resulterade i två prototyper, alfa och beta. Alfaprototypen använder en simplare modell, kan endast tolka statiska rörelser och har dålig prestanda, men den är plattformsoberoende. Betaprototypen kan tolka både statiska och dynamiska rörelser och har en bättre prestanda, men den är endast tillgänglig för Windows operativ system. I rapporten jämförs användningen av ett tätt neuralt nätverk och en modell baserad på long short-term minne. Den slutliga implementationen av systemet uppnår 85% säkerhet i klassificering av gester. Resultaten visar genomförbarheten och effektiviteten av gestbaserad kontroll, och belyser potentialen för framtida utveckling av tillgängliga och intuitiva interaktionssyste
Matematisk problemlösning på italienska med stora språkmodeller
No full textThe thesis presents an evaluation of the mathematical reasoning capabilities of state-of-the-art Large Language Models (LLMs) using the Italian Language. Most of the LLMs’ investigations are carried out in English. Using a different language helps to assess how well these models are able to generalize their reasoning capabilities. Starting from a slightly modified translation of the dataset GSM8K used as a baseline in this work, five more new datasets are introduced in order to test the models in different situations. Each variant is defined to test the models’ behavior in case irrelevant information is present in the problem statement or in case the reasoning needed to answer the question becomes more complex. In all the experiments models were prompted using few-shot Chain-of-Thought technique to ensure a fair comparison. The performance of the models is accurately measured for every dataset and a detailed statistical analysis is conducted to identify significant trends. Some more advanced models such as DeepSeek-R1 were able to relatively retain a certain level of accuracy across the different datasets while other models such as Gemma2-9B performed significantly worse when faced with increasingly complex reasoning tasks. Furthermore, the statistical analysis revealed a significant negative correlation between answer length and correctness in case irrelevant information was added to the problem. The results collected also suggest that the addition of irrelevant information to the problem statement tends to impair model accuracy more than increased reasoning complexity. This work provides an overview of the strengths and the weaknesses of LLMs by evaluating these in different situations highlighting how performance can evolve based on the type of the problem presented.Detta examensarbete presenterar en utvärdering av de matematiska resonemangsförmågorna hos avancerade stora språkmodeller (LLM:er) med fokus på det italienska språket. De flesta studier om LLM:er har hittills genomförts på engelska. Genom att använda ett annat språk går det att undersöka hur väl dessa modeller kan generalisera sitt resonemang till språk som är mindre representerade. Utifrån en lätt modifierad översättning av datasetet GSM8K, som används som baslinje i detta arbete, introduceras fem ytterligare dataset för att testa modellerna i olika situationer. Varje variant är utformad för att undersöka modellernas beteende när irrelevant information förekommer i problemställningen, eller när det krävs mer komplexa resonemang för att lösa uppgiften. För att säkerställa rättvisa jämförelser i alla experiment användes så kallad ’few-shot Chain-of-Thought prompting’, dvs modellerna uppmanades att resonera sig fram till svaret och gavs ett antal exempel på korrekta resonemang. Modellernas prestanda har noggrant mätts för varje dataset, och en detaljerad statistisk analys har genomförts för att identifiera signifikanta mönster. Mer avancerade modeller som DeepSeek-R1 visade sig kunna bibehålla en relativt stabil noggrannhet över de olika datasetten, medan andra modeller som Gemma2-9B presterade avsevärt sämre vid ökande komplexitet. Den statistiska analysen visade även ett tydligt negativt samband mellan svarens längd och korrekthet när irrelevant information fanns med i uppgiften. Resultaten antyder att irrelevant information i problemformuleringen påverkar modellernas noggrannhet mer negativt än ökade resonemangskrav. Detta arbete ger en översikt över styrkor och svagheter hos olika LLM:er genom att utvärdera dem i varierade situationer och belyser hur prestanda kan variera beroende på uppgiftens utformning
Avkoda smak: Att förbättra film- och bokrekommendationer med LLM-baserad personlighetsprofilering : Hur bra är språkmodeller på att estimera personlighet?
No full textRecommendation systems are widely used to recommend for example movies, music and products. However, they often struggle to deliver good recommendations when data is sparse, such as with new users, new content or users who rarely provide feedback. Recent advances in automatic personality recognition have inspired the development of personality-aware recommendation systems to address these challenges. In this study, we suggest the use of large language models (LLMs) for personality estimation and the construction of personality-aware recommendation systems, since these models have shown a remarkable ability to handle complex and diverse tasks. We evaluate both prompted and finetuned LLMs on the Essays and PANDORA datasets for predicting the Big Five personality traits. In addition, we apply these models to user-generated movie and book reviews to estimate personality profiles that are integrated into a recommendation algorithm. The performance of this approach is compared to a traditional user-based collaborative filtering method. The results show that Claude 3.7 Sonnet and the finetuned GPT-4o achieved the highest classification accuracies, exceeding 60%. These performance levels are comparable to those reported for state-of-the-art machine learning models in personality classification, with no significant differences observed. Furthermore, personality-aware recommendation systems perform comparably to, and in some cases outperform, standard collaborative filtering approaches. In cold-start scenarios involving users with limited historical data, a personality-aware system achieved up to 30% higher recommendation precision. This opens the door to delivering high-quality book and movie recommendations even for completely new users. While the findings highlight the potential of LLMs in enhancing recommendation systems, future work should also evaluate this approach for larger datasets with more users for increased statistical significance.Rekommendationssystem används i stor utsträckning för att rekommendera exempelvis filmer, musik och produkter. De har dock ofta svårt att leverera bra rekommendationer när mängden data är begränsad - till exempel för nya användare, när nytt innehåll tillkommit eller för användare som sällan lämnar feedback. Nya framsteg inom automatisk personlighetigenkänning har inspirerat utvecklingen av personlighetsbaserade rekommendationssystem för att möta dessa utmaningar. I denna studie föreslår vi användning av språkmodeller (LLMs) för att estimera personlighetsdrag och konstruera personlighetsbaserade rekommendationssystem, eftersom dessa modeller har visat en anmärkningsvärd förmåga att hantera komplexa och mångsidiga uppgifter. Vi utvärderar både prompt-baserade och finjusterade LLMs på befintliga dataset med personlighetsinformation för att estimera personlighetsdrag utifrån Big Five-modellen. Dessutom tillämpar vi dessa modeller på film- och bokrecensioner för att skapa personlighetsprofiler som integreras i ett rekommendationssystem. Detta system jämförs med en traditionell användarbaserad rekommendationsalgoritm. Resultaten visar att Claude 3.7 Sonnet och den finjusterade GPT-4o är de LLMs som når högst träffsäkerhet, över 60%. Dessa nivåer är jämförbara med resultaten från de bästa existerande teknikerna för personlighetsklassificering då ingen signifikant skillnad kunde konstateras. Vidare presterar personlighetsbaserade rekommendationssystem jämförbart med, och ibland bättre än, traditionella metoder. De presterar dessutom avsevärt bättre i så kallade cold-start-scenarier där begränsad historisk data finns tillgänglig om användarna, med upp till 30% högre rekommendationsprecision. Detta presenterar en möjlighet att leverera rekommendationer av hög kvalitet även till helt nya användare. Även om resultaten visar att LLM:s har potential att förbättra rekommendationssystem bör framtida arbeten också utvärdera metoderna på större dataset med fler användare för ökad statistisk signifikans
Boosting User Retention Through Effective App Onboarding : Insights and Results from a Household Organizing App
No full textGetting new users to stay in mobile apps is challenging, especially in today’s market where competition is fierce and users’ patience is low. Previous research has shown onboarding, the first experience of an app, to play a significant role in retaining new users. This thesis explores how onboarding design can influence user retention and activation in mobile applications, using the household organizing app Accord as a case study. The project follows a user centered, iterative method and unlike many theoretical studies, involves building and implementing onboarding flows in the live app. This allowed for continuous testing with Accord’s broad user base, so that design decisions could be evaluated in every step of the process. The testing was divided between two design iterations, in which the second aimed to improve on the prior one. Consequently, the 7 day user retention was 18% after the second iteration, a slight improvement over the 17% observed at baseline. User activation however, increased more substantially going from 2.84 created tasks per user to 4.39. While user activation improved notably, retention remained largely unchanged, highlighting the limits of what onboarding alone can achieve. In fact, shortly after the project period, the team decided to redesign large parts of the app beyond just onboarding. This suggests that onboarding is only one part of a broader user experience, and its impact depends on how well it aligns with the product’s overall value proposition. Additionally, what makes an effective onboarding flow likely varies between app categories. Many of the apps the team took inspiration from, while being in similar categories, may have had vastly different goals. In contrast, our approach attempted to solve several problems at once, which may have diluted its effectiveness. A key takeaway is the importance of defining a focused onboarding goal, especially when user attention is limited, and designing each step to serve that single purpose.Att få nya användare att stanna kvar i mobilappar är en utmaning, särskilt i en marknad där konkurrensen är stor och användarnas tålamod är kort. Tidigare forskning har visat att onboarding, användarens första upplevelse av en app, spelar en viktig roll när det kommer till att bibehålla nya användare. Denna rapport syftar till att utforska hur onboardingens utformning kan påverka bibehållandet av, samt aktiveringen av användare. Som fallstudie används hushållsplaneringsappen Accord, där projektet följde en användarcentrerad och iterativ metod. Till skillnad från många teoretiska studier implementerades onboardingflödena direkt i den faktiska appen, vilket möjliggjorde kontinuerlig testning mot en bred användarbas. Detta resulterade i två iterationer av onboardingen där den andra byggde vidare på resultatet från den första. Det slutgiltiga resultatet visade att sjudagars-användarretentionen låg kvar på ungefär samma nivå, 18% efter iteration två jämfört med 17% från början. Användaraktivering däremot ökade mer markant, från i genomsnitt 2,84 skapade uppgifter per användare till 4,39. Trots att fler användare engagerade sig tidigt i appen, visar den uteblivna ökningen i retention att onboarding i sig inte är tillräckligt för att skapa långsiktiga användare. Kort efter projektets slut påbörjade utvecklingsteamet därför en större omarbetning av appen. Detta understryker att onboarding måste hänga ihop med appens totala värdeerbjudande för att vara effektiv. Det blev även tydligt att vad som räknas som en “bra” onboarding beror på appens syfte och målgrupp. Många av apparna teamet inspirerades av hade andra användarbehov och mål än Accord. I den omarbetade onboarding försökte man täcka flera mål samtidigt, vilket sannolikt bidrog till de begränsade resultaten. En viktig lärdom är därför att välja ett tydligt mål för onboarding och konsekvent arbeta mot just det, särskilt när man bara har en begränsad tid av användarens uppmärksamhet
Effekten av ventrikelvolym på proteinnivåer i cerebrospinalvätska från patienter med Alzheimers sjukdom
No full textAlzheimers sjukdom (AD) kännetecknas av gradvis neurodegeneration, hjärnatrofi och förändrade nivåer av proteiner i cerebrospinalvätskan (CSF). Denna studie undersöker hur ventrikelförstoring, som är en strukturell indikator på hjärnatrofi, påverkar nivåerna av CSF-proteiner samt hur detta samband varierar mellan olika kliniska stadier av kognitiv nedsättning. Genom att kombinera ventrikelvolymer från magnetresonanstomografi (MRI) med CSF-proteinnivåer från en minnesklinikkohort, utvärderas om den tidigare föreslagna utspädningseffekten, där större ventrikelvolymer förknippas med lägre koncentrationer av CSF-proteiner, även kan observeras hos individer med AD. Linjär interaktionsmodellering visade att denna utspädningseffekt var tydligt närvarande hos personer med subjektiv kognitiv nedsättning (SCD), men avsevärt försvagad hos individer med AD. Denna reducerade effekt antyder att sjukdomsspecifika mekanismer kan störa det normala sambandet mellan ventrikelstorlek och proteinnivåer i CSF. Flera proteiner i CSF, däribland AQP4, AMPH, DDAH1, SNCB, GAP43 och ARPP21, uppvisade signifikant högre nivåer hos individer med AD jämfört med dem med SCD. Dessa förändringar speglar sannolikt centrala patologiska processer vid AD, såsom synaptisk degeneration, neuroinflammation, rubbad kväveoxidsignalering samt försämrad neuronal funktion och integritet. Klassificeringsmodeller med stödvektormaskiner (SVM) visade att en kombination av CSF-proteinnivåer och ventrikelvolymer gav bättre differentiering mellan AD och SCD jämfört med modeller baserade enbart på proteindata. Klassificeringsprestandan förbättrades ytterligare när modellerna inkluderade både ett tau-associerat och ett amyloid-associerat protein, i enlighet med tidigare fynd. Regressionsanalyser av kognitiv funktion visade att modeller som integrerade både CSF-markörer och ventrikelvolymer förklarade en större andel av variationen i kognition än modeller baserade enbart på CSF-data. Alzheimer’s disease (AD) is characterized by progressive neurodegeneration, brain atrophy, and altered cerebrospinal fluid (CSF) protein profiles. This study examines the effect of ventricular enlargement, a structural indicator of brain atrophy, on cerebrospinal fluid (CSF) protein levels. It investigates how this relationship may vary across different clinical stages of cognitive decline. By integrating MRI-based ventricular volume data with CSF proteomics in a memory clinic cohort, the study examines whether a previously reported dilution effect, where larger ventricular volumes correspond to lower CSF protein levels, is also present in AD patients. Linear interaction models revealed that the expected dilution effect was pronounced in individuals with subjective cognitive decline (SCD) but was notably attenuated in patients with AD. This attenuation suggests that disease-related processes may disrupt the typical volume-dependent dynamics of CSF protein levels. Several CSF proteins, including AQP4, AMPH, DDAH1, SNCB, GAP43, and ARPP21, were significantly elevated in AD compared to SCD, reflecting key pathological features of the disease, including synaptic degeneration, neuroinflammation, impaired nitric oxide signaling, and altered neuronal function or integrity. Support vector machine (SVM) classification models demonstrated that combining CSF protein levels with ventricular volume measures enhanced discrimination between AD and SCD compared to protein-only models. Classification performance was further enhanced when models included one tau-associated and one amyloid-associated protein, consistent with previous study findings. Regression analyses predicting cognitive outcomes demonstrated that models integrating both CSF protein markers and ventricular volume explained a greater proportion of variance than models using only CSF protein data. These results highlight the importance of jointly evaluating biochemical and structural brain features. Ventricular volume appears to be an essential modulator of CSF biomarker interpretation, and the integration of MRI and proteomic data supports the development of more accurate diagnostic and prognostic tools in AD.