一种混合多式机器学习模型用于检测阿尔茨海默氏症

科学领域:

• 神经成像和机器学习用于神经退行性疾病.

背景情况:

• 单个神经成像模式对准确的阿尔茨海默病 (AD) 诊断有局限性.
• 从多个来源整合互补的生物标志物可以提高诊断性能.
• 多模式数据融合为改善AD的特征提供了一个有希望的途径.

研究的目的:

• 开发和评估一个多式联机机器学习框架,以提高阿尔茨海默病的诊断.
• 整合磁共振成像 (MRI),正子发射断层扫描 (PET) 和脑脊液 (CSF) 数据.
• 用一种新的混合优化和分类算法来进行特征选择和诊断.

主要方法:

• 提出了一个多式机器学习框架,将MRI,PET和CSF数据结合起来.
• 开发了一种增强的哈里斯·霍克斯优化 (ILHHO) 算法用于特征选择和内核极端学习机器 (KELM) 用于分类.
• 评估了来自阿尔茨海默病神经成像计划 (ADNI) 数据集的202个受试者的ILHHO-KELM模型.

主要成果:

• 与其他元启发式算法相比,ILHHO算法展示了优越的优化性能.
• 多模式方法 (MRI + PET + CSF) 在区分AD与正常对照 (NC) 中达到99.2%的准确性.
• 多模式分类显著优于单模式诊断准确性.
• 区分性特征分析揭示了MRI和PET的补充信息,突出了神经退行模式.

结论:

• 多模式数据融合,整合MRI,PET和CSF,显著提高了阿尔茨海默病的诊断准确度.
• 协同的ILHHO-KELM模型有效地提取敏感的成像特征用于AD检测.
• 对辅助生物标志物应用的高级特征学习技术对于提高AD诊断至关重要.