比较统计,机器学习和深度学习算法的性能,以预测时间到事件:用于转换到轻度认知障碍的模拟研究

科学领域:

• 计算神经科学是一种计算神经科学.
• 老年医学 老年医学
• 生物统计学 生物统计学

背景情况:

• 轻度认知障碍 (MCI) 的检测对于痴呆症干预至关重要.
• 对于MCI中时间到事件数据的预测算法众多,但它们的比较性能不清楚.
• 使用较少训练重量的算法的准确性经常受到质疑.

研究的目的:

• 为了比较统计 (CoxPH),机器学习 (RSF) 和深度学习 (DeepSurv) 算法的时间到MCI转换的预测准确度.
• 调查训练重量和未观察到的异质性对算法性能的影响.
• 为人工智能的发展提供信息,用于对认知衰退的时间到事件预测.

主要方法:

• 模拟了一个基于阿尔茨海默氏症NACC数据集的数据集,以比较CoxPH,RSF和DeepSurv模型.
• 在不同的样本大小和场景中评估算法性能,包括未观察到的异质性.
• 根据训练重量数和模型复杂度分析准确性.

主要成果:

• 考克斯比例危险模型 (CoxPH) 在所有模拟场景中表现出强的表现.
• 在更大的样本大小 (n=6,000) 中,DeepSurv的准确度与CoxPH (73%) 相同 (73.1%).
• 考虑到CoxPH中的异质性,其准确性与DeepSurv和RSF相美,揭穿了深度学习优越性的概念.

结论:

• 训练重量较少的统计模型可以与MCI预测的复杂深度学习模型一样准确.
• 忽视异质性可能导致对算法性能的误解.
• 这项研究倡导一种原则性的方法来比较AI算法进行时间到事件预测,偏好可解释的模型.