机器学习模型的性能,用于诊断阿尔茨海默病的疾病

科学领域:

• 神经学 神经学
• 计算机科学 计算机科学
• 医疗信息学 医疗信息学

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经系统疾病,影响记忆和认知.
• 目前的诊断方法缺乏基于AI的专用解决方案,尽管存在多种因素.
• 机器学习 (ML) 为AD提供了一个可行的补充诊断方法.

研究的目的:

• 应用和比较各种ML算法用于阿尔茨海默病的诊断.
• 确定最佳特征并减少维度,以提高诊断准确度.
• 用标准指标评估ML模型的性能.

主要方法:

• 利用OASIS数据集来获取长度阿尔茨海默病患者数据.
• 应用了多种ML算法,包括SGD,k-NN,物流回归,决策树,随机森林,AdaBoost,神经网络,SVM和Naïve Bayes.
• 使用的特征选择/维度缩小技术:信息获取,信息获取比率,吉尼指数,奇方和PCA.

主要成果:

• 在阿尔茨海默氏症诊断方面实现了约90%的分类准确性.
• 确定了四个关键特征 (CDR,SES,nWBV,EDUC),这些特征对准确的预测有重大贡献.
• 对比分析表明,在不同的ML算法中,性能不同.

结论:

• 机器学习模型可以有效地以高准确度诊断阿尔茨海默病.
• 特征选择对于确定AD诊断中最具预测性的因素至关重要.
• 人工智能驱动的工具可以在临床实践中作为有价值的补充诊断辅助工具.