基于临床特征进行可解释的机器学习,以预测和根据性别区分阿尔茨海默病的进展:朝着为临床医生量身定制的网络界面
Fabio Massimo D'Amore1, Marco Moscatelli2, Antonio Malvaso3
1Computational and Translational Neuroscience Laboratory, Institute of Cognitive Sciences and Technologies, National Research Council (CTNLab-ISTC-CNR), Via Gian Domenico Romagnosi 18A, Rome 00196, Italy.
Journal of the neurological sciences
|December 26, 2024
概括
这项研究开发了一种可解释的机器学习系统,用于预测阿尔茨海默病 (AD) 的进展,考虑使用非侵入性数据的性别特异性差异. 该系统增强了神经退行性疾病的早期诊断和个性化护理.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 阿尔茨海默病 (AD) 在表现和进展方面表现出明显的性别特异性差异.
- 目前阿尔茨海默病的诊断方法通常是昂贵的,侵入性的,并且不能充分考虑基于性别的变化.
- 个性化诊断方法对于AD的有效管理至关重要.
研究的目的:
- 引入一种可解释的机器学习 (ML) 系统,以预测和区分基于性别的AD进展.
- 利用诸如神经心理测试成绩和社会人口统计数据等非侵入性预测因子,以便在临床上应用.
- 通过包括健康和轻度认知障碍受试者来支持在AD临床前阶段的早期诊断.
主要方法:
- 开发了一个可解释的ML模型,其中包含了SHapley添加式解释 (SHAP) 和局部可解释模型-不可知解释 (LIME).
- 集成了一个用户友好的图形界面,与临床医生合作设计用于实际使用.
- 在来自阿尔茨海默病神经成像计划 (ADNI) 开放数据集的2407名受试者的大型数据集上训练了ML系统.
主要成果:
- ML系统在预测AD进展方面表现出有效性,突出了基于性别的差异.
- 确定的主要预测因素包括迷你心理状态检查,雷听力语言学习测试,逻辑记忆 - 延迟回忆和教育成就.
- 用精度,回忆和加权F1分数指标验证了模型性能.
结论:
- 可解释的ML系统为个性化的AD诊断和进展预测提供了一个有希望的,非侵入性的工具.
- 该系统的可解释性和用户友好的界面有助于将其整合到临床实践中.
- 未来的研究应该专注于用多中心数据集验证模型,以解决当前的局限性.
