缺少异质数据的自编码器归算用于阿尔茨海默氏症疾病分类
Namitha Thalekkara Haridas1, Jose M Sanchez-Bornot1, Paula L McClean2
1Intelligent Systems Research Centre, School of Computing, Engineering and Intelligent Systems Ulster University, Magee campus Derry∼Londonderry Northern Ireland UK.
Healthcare technology letters
|December 25, 2024
概括
这项研究表明,拒绝自编码器有效地归咎于缺失的阿尔茨海默病数据,提高诊断准确度. 使用归算数据的机器学习模型实现了强大的预测,即使数据损失很大.
科学领域:
- 人工智能在医学中的应用
- 神经科学数据分析 神经科学数据分析
- 生物医学信息学 生物医学信息学
背景情况:
- 缺少的数据是阿尔茨海默病 (AD) 诊断和研究的一个主要障碍.
- 现有的AD数据数据归算方法存在局限性,特别是在深度学习方面.
- 多样化的AD数据集 (tau-PET,MRI,遗传学,临床评估) 存在独特的归算挑战.
研究的目的:
- 评估无声自编码器 (DAE) 的有效性,用于在全面的AD数据集中归因缺失的关键特性.
- 评估DAE在处理AD相关特征中的极端缺失 (≥40%) 的性能.
- 将DAE提取的潜伏特征与传统特征集成,以改进AD分类.
主要方法:
- 使用无效的自编码器在异质的AD数据集中赋值缺失的数据.
- 专注于关键的AD进展依赖的特征,如母亲的AD病史,APOE ε4等位基因和临床痴呆症评分.
- 采用随机森林分类与10倍的交叉验证在归算和特征选择的数据集.
主要成果:
- 导入的数据集显示出强大的阿尔茨海默病预测性能 (准确度:79%-85%;精度:71%-85%) 在各种失踪级别.
- 即使缺少40%的数据,也可以达到高的回忆值.
- 包括自编码器衍生的特征在内的特征选择数据集在分类得分方面表现优于原始完整数据集.
结论:
- 拒绝自编码器是有效和强大的,可以在阿尔茨海默病数据中赋予关键的缺失信息.
- 这种归算策略提高了基于AI的临床决策支持系统对AD预测的可靠性.
- 该研究强调了深度学习在处理复杂,不完整的生物医学数据方面的潜力.
