研究机器学习方法在预测早期阶段的痴呆病稳定性
本文探讨了使用机器学习预测阿尔茨海默病恶化的能力,并在 Alzheimers Disease Neuroimaging Initiative 的数据集上使用了六种机器学习模型。最后展示了对两组数据的预测效果,即针对健康组和轻微认知障碍组的恶化预测,分别使用了 CART 和 Elastic Net 获得了较好的结果。
Jun, 2023
采用 RF、SVM 和 CNN 算法,并利用分水岭分割从 MRI 图像中提取特征,我们提出了一种对痴呆的四个阶段进行分类的方法。结果显示,具有分水岭特征的 SVM 具有 96.25% 的令人印象深刻的准确率,超过其他分类方法。该方法在 ADNI 数据集上评估,并观察到分水岭分割的引入有助于模型的改进性能。
Nov, 2023
本研究的主要目标是使用机器学习技术中的随机森林分类器等方法精确识别阿尔茨海默病,使用其中 30 个指标中的 4 个指标,成功地在近 94% 的病例中识别出该病。
Dec, 2022
通过对 Shapley 值的解释,研究了极端梯度提升、随机森林和支持向量机等黑盒模型,以及决策树、逻辑回归等可直观解释的模型在早期阿尔茨海默病(Alzheimer's Disease, AD)检测上的应用。结果表明,模型的性能因评估的不同数据集而异。ADNI 和 AIBL 数据集的分类性能得到了显著提高,认知测试分数训练的模型表现出更好的性能,而大脑体积训练的模型表现较差。
May, 2022
使用机器学习模型基于脑脊液生物标志物水平对阿尔茨海默病不同阶段进行分类,并证明集成提升树和逻辑回归提供了二元分类的最高准确性,而集成袋装树对多类分类表现出更好的准确性。
Jan, 2024
阿尔茨海默病是一种影响老年人认知和运动功能的进展性神经退行性疾病,通过磁共振成像这种易于接触的方法早期检测阿尔茨海默病对于开发有效干预措施至关重要。本研究旨在对选择基于磁共振成像的生物标志物和将个体区分为健康对照和表现出 5 年内轻度认知损伤的不稳定对照的机器学习技术进行全面分析。该研究利用阿尔茨海默病神经信息学计划(ADNI)和开放获取系列成像研究 3(OASIS-3)的磁共振成像数据,主要关注健康对照和不稳定对照参与者。结果显示高斯朴素贝叶斯和 RusBoost 分类器在 ADNI 数据集上表现最佳,准确率分别达到 76.46% 和 72.48%。对于 OASIS-3 数据集,核朴素贝叶斯和 RusBoost 在 64.66% 至 75.71% 的范围内获得准确率,而在年龄匹配的数据集中进一步提高。计算得出早期认知衰退期间颞内侧皮层、海马体、侧脑室和外侧眶额叶等脑区受到显著影响。尽管存在样本规模较小等限制,本研究的数据协调方法增强了生物标志物选择的稳健性,预示着这种半自动机器学习工作流程在使用磁共振成像进行早期阿尔茨海默病检测方面的潜力。
May, 2024
通过使用人工神经网络和支持向量机作为分类器,以及主成分分析作为特征提取技术,这篇论文研究了基于机器学习的方法在阿尔茨海默病检测和分类中的性能,并表明这种组合方案在准确度和优势方面取得了显著成果。
Apr, 2024
该研究基于阿尔茨海默病神经影像计划(ADNI)数据集,旨在探讨阿尔茨海默病的早期检测和疾病进展。通过创新的数据预处理策略,包括使用随机森林算法填补缺失数据,处理异常值和无效数据,从而充分挖掘和利用有限的数据资源。通过 Spearman 相关系数分析,我们确定了一些与 AD 诊断强相关的特征。我们构建并测试了三个机器学习模型:随机森林、XGBoost 和支持向量机(SVM)。其中,XGBoost 模型在诊断性能方面表现最佳,准确率达到 91%。总体而言,该研究成功克服了缺失数据的挑战,并为阿尔茨海默病的早期检测提供了有价值的见解,展示了其独特的研究价值和实际意义。
Feb, 2024
利用机器学习计算法,针对阿尔茨海默病 (Alzheimer's disease)采用多模式生物标志物来帮助早期诊断。其中,最近研究的高斯判别分析(GDA)方法用于分类阿尔茨海默病的效果更加有效和准确,特别是对轻度认知障碍的早期诊断具有重要意义。可以通过采取全局特征提取模型,显著提高早期阿尔茨海默病诊断的性能比采用局部特征提取方法更好。
Dec, 2017
利用生存机器学习建立了一个可预测认知能力下降导致痴呆症状发展以及预测发展时间的模型,预测能力良好,可用于临床研究和预测患阿尔茨海默病的风险。
Jun, 2023