包括的なカーネル極限学習機長短期記憶トランスフォーマーフレームワークの評価と臨床的意義

科学分野:

• 医療における人工知能
• 神経科学
• 生物医学情報学

背景:

• アルツハイマー病（AD）の診断と予測は依然として困難です。
• 正確な早期リスク層別化は、適時介入のために不可欠です。
• 既存の方法では、複雑な臨床データを十分に活用できない場合があります。

研究 の 目的:

• ADの診断と予測を強化するためのハイブリッド深層学習モデルを開発および検証すること。
• 精度向上のために容易に入手可能な臨床データを利用すること。
• モデルの一般化可能性と予測力を評価すること。

主な方法:

• カーネル極限学習機（KELM）、長短期記憶（LSTM）、およびトランスフォーマーを統合したトリプルアーキテクチャ共同モデルを開発しました。
• アルツハイマー病神経画像イニシアチブ（ADNI）データベースの2,149人の被験者でモデルをトレーニングおよび検証しました。
• 独立した1,012人の被験者のコホートで外部検証を実施しました。

主要な成果:

• 内部検証では95.42%の精度と0.981のAUCを達成しました。
• 外部検証では93.81%の精度と0.9725のAUCを示しました。
• このモデルは、軽度認知障害からADへの変換を3年以内に92.78%の精度で予測しました。

結論:

• KELM-LSTM-Transformerモデルは、AD予測のための強力で堅牢なフレームワークを提供します。
• 高い精度と一般化可能性は、早期リスク層別化の可能性を示唆しています。
• このアクセス可能なツールは、アルツハイマー病の適時臨床介入をサポートできます。