使用神经心理测试预测认知障碍的机器学习算法的比较

科学领域:

• 计算神经科学是一种计算神经科学.
• 医疗信息学医学信息学
• 认知心理学 认知心理学

背景情况:

• 神经心理测试 (NPT) 对于评估认知功能至关重要,但解释可能耗时且昂贵.
• 开发有效的分析NPT方法对于及时诊断认知衰退至关重要.
• 机器学习为优化NPT解释和分类提供了一个有希望的方法.

研究的目的:

• 使用机器学习优化系统的NPT.
• 开发分类模型来区分健康对照 (HC),轻度认知障碍 (MCI) 和阿尔茨海默氏症痴呆症 (ADD).
• 为了评估各种机器学习算法的性能,用于认知障碍分类.

主要方法:

• 使用了来自46个NPT (首尔神经心理查电池 - SNSB) 的14926名受试者的数据集.
• 机器学习分类 (双向和三向) 使用scikit-learn.
• 根据准确性,灵敏性,特异性,PPV,NPV和AUC,比较了七种算法 (NB,RF,DT,KNN,SVM,AdaBoost,LDA).

主要成果:

• 随机森林 (RF) 算法在所有分类任务中表现出卓越的性能.
• 射频实现了高精度,灵敏度,特异性,PPV和NPV,AUC高达99%用于区分HC,MCI和ADD.
• 经过对29个选定的NPT特征进行训练的模型显示出出色的预测能力.

结论:

• 射频算法是NPT数据的最佳分类模型,其性能优于其他算法.
• 这些机器学习模型可以有效地诊断MCI和ADD,即使是正常的NPT结果.
• 开发的模型提高了诊断的准确性,优化认知评估,并最大限度地减少错过诊断.