在痴呆症研究的机器学习评估中对神经病理特征的排名和过
Mohammed D Rajab1,2, Teruka Taketa1, Stephen B Wharton1
1Sheffield Institute for Translational Neuroscience, University of Sheffield, Sheffield, UK.
Brain pathology (Zurich, Switzerland)
|February 20, 2024
概括
确定痴呆症诊断的关键大脑特征至关重要. 机器学习有助于对这些特征进行排名,Braak阶段对于精确的痴呆症分类最为重要.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
背景情况:
- 由于资源密集的评估,早期痴呆症诊断,包括阿尔茨海默病,具有挑战性.
- 机器学习 (ML) 越来越多地用于分析痴呆症评估的神经病理学特征.
- 了解特征选择的影响和识别关键特征对于基于ML的痴呆症分类至关重要.
研究的目的:
- 用基于ML的过技术客观地评估神经病理特征.
- 为了比较两个独立的衰老群体 (CFAS和ADNI) 的特征重要性和排名一致性.
- 确定一组较少的高级特征是否可以保持或提高痴呆症分类准确度.
主要方法:
- 应用的ML特征选方法 (缓解F,最小损失) 来用于CFAS和ADNI队列的神经病理学数据.
- 分析了特征排名的一致性,并确定了偏差,特别是特征与特征的相关性.
- 评估痴呆症分类性能,使用简化的特征集与天真贝叶斯分类器.
主要成果:
- 缓解F和最小损失方法在ADNI和CFAS队列之间显示了一致的特征排名.
- 布拉克阶段成为连续排名最高的特征,独立于其他特征.
- 使用最少的一组高度排名的特征,实现了可比或更高的痴呆症分类准确度 (CFAS中的60%-70%).
结论:
- ML特征过可以优先考虑特定的神经病理特征用于痴呆症分类.
- 特征排名容易受到诸如特征-特征相关性和队列变异性等偏差的影响.
- 识别最少,强大的特征集是减少差异和提高痴呆症诊断准确性的关键.
