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
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
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
研究使用机器学习中的生存分析方法,基于英国长寿研究队列 ELSA 数据,构建了两种基于随机森林和弹性网络算法的生存机器学习模型,并证明了这些模型相较于传统的 Cox 比例风险模型具有更优越的预测性能和稳定性。
Jun, 2023
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
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
通过利用语言模型为风险预测增添强大的能力,结合传统监督学习方法和大语言模型的决策机制,本研究提出的创新流程通过实际的电子健康记录数据仓库的评估表明有效地提高了预测性能,为改善 ADRD 筛查和早期检测实践带来了希望,并对患者管理策略产生潜在影响,进而改善医疗保健。
May, 2024
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