一个可解释的基于机器学习的阿尔茨海默病预测模型在中国纵向老龄化研究研究

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 老年学是一门学科.

背景情况:

• 阿尔茨海默病 (AD) 是导致痴呆的主要原因,需要早期诊断才能有效管理.
• 轻度认知障碍 (MCI) 是阿尔茨海默病的前期阶段,强调需要准确的预测.
• 中国纵向衰老研究 (CLAS) 为研究AD和MCI预测提供了有价值的数据集.

研究的目的:

• 开发和验证阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 的可解释预测模型.
• 确定生活方式和病史中的关键特征,这些特征有助于AD/MCI预测.
• 通过计算机辅助诊断系统来增强临床决策.

主要方法:

• 在CLAS数据上使用集体学习和特征选择技术 (n=3,514).
• 应用并比较了9个机器学习分类器和5个特征选择方法.
• 采用了SHapley添加式解释 (SHAP) 算法来实现模型的可解释性.

主要成果:

• 实现了MCI (89.2%) 和AD (99.2%) 的高预测准确度.
• 在MCI和AD预测方面表现出极好的灵敏度和特异性.
• 确定了影响认知功能的重要生活方式和病史因素.

结论:

• 开发的可解释人工智能模型准确预测AD和MCI,为贡献因素提供了有价值的见解.
• 该模型的可解释性有助于理解生活方式,健康史和认知衰退之间的关系.
• 这种方法在AD和MCI的计算机辅助诊断系统中具有很大的临床应用潜力.