Dec, 2022

机器学习方法综合研究：提高分类器预测精度、降低诊断阿尔茨海默病所需医学检测数量

PDF
TL;DR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。
发现论文，激发创造
  • 利用机器学习诊断阿尔茨海默病：综述

    通过分析 2008 年至 2023 年间基于深度学习技术和强化学习的阿尔茨海默病诊断论文，发现深度学习方法具有提取特征并具有良好准确度对阿尔茨海默病进行分类的巨大能力，需要探索 DRL 在痴呆症检测领域的应用。

    Apr, 2023

  • 基于机器学习的阿尔茨海默病智能诊断

    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

  • 利用机器学习方法识别阿尔茨海默病痴呆程度

    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

  • 基于 MRI 的深度学习在阿尔茨海默病诊断中的应用

    阿尔茨海默病（Alzheimer's disease）是一种最常见的神经系统痴呆症，通过磁共振成像技术结合深度学习算法可以早期诊断该病并确定病症特征，因此本研究分析了 2021 年至 2023 年之间基于磁共振成像的深度学习算法在 AD 诊断上的五项具体研究。

    Oct, 2023

  • 阿尔茨海默病恶化预测的机器学习方法

    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

  • 基于主成分分析和机器学习的阿尔茨海默病辅助诊断系统

    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

  • 仅使用脑脊液生物标志，基于机器学习进行阿尔茨海默病分期分类

    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

  • 研究机器学习方法在预测早期阶段的痴呆病稳定性

    本文研究了机器学习算法在预测痴呆症中的稳定性，并发现支持向量机和朴素贝叶斯算法是最稳定的算法，在使用信息增益方法进行特征选择时比主成分分析更有效。

    Sep, 2022

  • 阿尔茨海默病检测和分类的深度卷积神经网络集成

    该研究提出了一种使用脑部 MRI 数据分析进行阿尔茨海默病检测和分类的方法，通过卷积神经网络的组合在 OASIS 数据集上展现出卓越的性能。

    Dec, 2017

  • 使用生存机器学习模型在 ADNI 队列上预测阿尔茨海默病诊断风险随时间的变化

    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