探索营养对阿尔茨海默病死亡率的影响:一种可解释的人工智能方法
运用人工智能(AI)和可解释的 AI(XAI)技术,研究开发了一种新型的基于异质 m-health 数据的早期和可解释的营养不良风险检测框架,并通过临床验证验证所学习到的特征 - 输出趋势与当前基于证据的评估符合。
May, 2023
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
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
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
使用强化学习算法预测阿尔茨海默病的进展,并研究其可解释性;通过比较多种 RL 算法性能,发现只有一种能够较好地模拟疾病进展,但后续解释分析显示所有方法未能正确捕捉淀粉样蛋白囤积在阿尔茨海默病中的重要性。
Jun, 2024
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
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
随着医疗技术、预防保健和老年健康的日益重视,全球平均寿命不断增长。因此,开发能够检测和追踪老年人群中与认知功能有关的老化相关疾病的技术至关重要。特别是,自动检测和评估阿尔茨海默病(AD)的研究具有重要性,因为该疾病的流行度以及现有方法的成本。在该研究中,我们使用自然语言处理和机器学习等技术,比较和对比了 10 种线性回归模型在 ADReSS 挑战数据集上对 Mini-Mental 状态检查得分进行预测的性能。通过使用两种方法选择的 54 种最佳特征的子集(1)递归淘汰和(2)相关性得分,我们超越了用于相同任务的最先进的基线。在评分和评估每个模型的每个所选特征子集的统计显着性时,我们发现,对于给定的任务,手工制作的语言特征比声学和学习特征更具有显着性。
Sep, 2022
通过利用医疗索赔数据进行 ADRD 风险预测,在评估了 VGNN 模型的效率后,使用关系重要性方法来澄清 ADRD 风险预测的关键关系。VGNN 在接收工作特征曲线下的面积上超越了其他基准模型 10%,整合了 GNN 模型和关系重要性解释方法可为了解 ADRD 进展的因素提供宝贵的洞见,并展示了利用索赔数据进行其他图像分析预测的潜力。
Sep, 2023