合成数据分析用于通过机器学习算法早期检测阿尔茨海默病的进展
Ana Gabriela Sánchez Reyna1, Ricardo Mendoza-Gonzalez1, Huizilopoztli Luna-García2
1Systems and Computing Department, TecNM/Technological Institute of Aguascalientes, Aguascalientes, Aguascalientes, Mexico.
PeerJ. Computer science
|February 3, 2025
概括
这项研究使用机器学习和神经心理测试开发了一种早期阿尔茨海默病检测模型. 该模型有助于诊断阿尔茨海默病 (AD) 或其前体认知状态,以便及时干预.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,导致不可逆转的神经元损伤.
- 早期检测对于管理AD症状和减缓AD进展至关重要.
- 目前的诊断方法可以改进,以便更早,更准确地识别.
研究的目的:
- 通过机器学习提出阿尔茨海默病 (AD) 早期检测模型.
- 分析来自阿尔茨海默病神经成像计划 (ADNI) 的阿尔茨海默病进展患者数据集.
- 建立基于神经心理评估的早期诊断的整体模型.
主要方法:
- 利用ADNI.的神经心理评估数据.
- 使用的特征选择技术:递归特征消除 (RFE) 和Akaike信息标准 (AIC).
- 开发了一个整体机器学习模型,结合了逻辑回归 (LR),人工神经网络 (ANN),支持向量机器 (SVM),K-最近邻居 (KNN) 和最近的中心点 (Nearcent).
主要成果:
- 这项研究分析了13个不同的患者子集,比较了各种认知状态 (CN,SMC,EMCI,LMCI,AD).
- 使用RFE和AIC创建了一个定制模型,用于特征选择和模型优化.
- 综合模型基于神经心理学数据显示了早期AD检测的潜力.
结论:
- 开发的整体模型为早期阿尔茨海默病诊断提供了一种新的方法.
- 这个模型可以集成到一个后端平台,用于一对所有分析.
- 这些发现为早期诊断和对阿尔茨海默病的干预提供了基础.
