增加血液检测和牙周检查数据与生成对抗网络,以提高痴呆症风险预测.

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 神经学 神经学

背景情况:

• 血液测试和迷你精神状态检查 (MMSE) 评分对于认知功能预测至关重要.
• 医疗数据采集面临诸如高成本,小样本大小和缺失数据等挑战.
• 牙周检查为大规模查提供了一种具有成本效益的方法.

研究的目的:

• 评估使用生成对抗网络 (GANs) 来预测痴呆风险的数据增强的有效性.
• 为了比较在真实数据上训练的深度神经网络 (DNN) 与GAN合成的医疗数据的准确性.
• 评估使用合成数据对缺少变量和数据不平衡的模型的稳定性.

主要方法:

• 使用四个隐藏层的深度神经网络 (DNN) 来预测痴呆风险.
• 使用生成对抗网络 (GAN) 来合成血液测试和牙周检查数据.
• 对108名参与者的真实和GAN合成数据进行训练的模型之间的预测准确性 (平均绝对误差 - MAE) 的比较.

主要成果:

• 与真实数据 (2.04 ± 0.37) 相比,GAN合成的DNN实现了较低的1.91 ± 0.30的平均绝对误差 (MAE).
• 综合数据显示,对缺少的变量 (包括年龄) 的稳定性有所改善.
• 增强方法有效地管理了数据集中的数据不平衡.

结论:

• 用GAN增强数据显著提高了痴呆风险预测的准确性.
• 综合医疗数据提高了模型的性能和稳定性,解决了常见的数据限制.
• 这种增强策略显示出在资源有限的环境中改进痴呆风险预测模型的巨大潜力.