Dec, 2023

早期诊断阿尔茨海默病：免疫相关血液生物标志物和计算建模方法的进展

PDF
TL;DR阿尔茨海默病在全球范围内的患病率不断增加，然而目前基于推荐生物标记的诊断方法只在专科诊所中提供。基于血液的生物标记物可以作为早期诊断该疾病的易获得、低成本的方法。本文回顾了阿尔茨海默病中脑免疫系统相互作用的研究进展，概述了利用现代组学技术探索血液免疫系统相关生物标记物的机器学习和机械建模方法。
alzheimer's diseaseblood-based biomarkersimmune-based biomarkersmachine learningmechanistic modeling
发现论文，激发创造
  • 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

  • 识别早期轻度认知障碍的解剖生物标志物的机器学习方法

    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

  • 基于神经影像生物标志物的阿尔茨海默病早期预测的人工智能研究述评

    通过 AI 技术应用于神经影像数据，潜在改善早期阿尔茨海默病的诊断、预后及管理。解决数据标准化、模型可解释性、泛化性、临床整合和道德考虑等挑战对于实现 AI 在阿尔茨海默病研究和临床实践中的完全潜力至关重要。研究者、临床医生和监管机构的合作努力是为了开发可靠、稳健和道德的 AI 工具，造福于阿尔茨海默病患者和社会所必需的。

    Jun, 2024

  • 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 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

  • 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

    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

  • 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

  • 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

  • 基于 PET 扫描图像分析的阿尔茨海默病早期检测的集成方法引介

    通过对 ADNI 数据集所得的 PET 扫描图像进行深入研究，本文使用了 VGG16、AlexNet 和一个自定义的卷积神经网络（CNN）模型来将阿尔茨海默病分类为控制正常组（CN）、进展性轻度认知障碍组（pMCI）、稳定性轻度认知障碍组（sMCI）和阿尔茨海默病组（AD），最后采用融合技术改进了模型的整体结果，结果显示使用深度学习模型区分 MCI 患者的平均准确率为 93.13%，AUC 为 94.4%。

    Mar, 2024

  • 可解释的基于深度学习的影像生物标志物的机器学习模型用于阿尔茨海默病的诊断

    机器学习方法在自动早期诊断阿尔茨海默病方面展示了巨大的潜力。本研究提出了一种结合可解释性增强机器（EBM）和基于深度学习的特征提取的框架，以高维成像数据为基础有效识别阿尔茨海默病及认知下降。该框架具有可解释性并通过提供每个特征的重要性来解释决策。研究结果表明，该框架在阿尔茨海默病和认知下降的分类中表现出优异的准确性和面积下曲线（AUC），且显著优于使用体积生物标志物或端到端卷积神经网络（CNN）的 EBM 模型。

    Aug, 2023