书写标志:一种可解释的机器学习方法,用手写来对阿尔茨海默氏症疾病进行分类

科学领域:

• 神经学 神经学
• 计算神经科学是一种神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 阿尔茨海默病 (AD) 构成了全球重大健康挑战,需要早期发现才能进行有效的干预.
• 目前的诊断方法可能是侵入性的或昂贵的,推动了对可访问的早期检测工具的搜索.

研究的目的:

• 用机器学习研究手写分析的有效性,用于早期发现阿尔茨海默病.
• 在不同类型的任务中识别特定的预测阿尔茨海默病的手写特征.

主要方法:

• 在复制,图形和基于记忆的任务中从患有和没有阿尔茨海默氏症的个体收集手写数据.
• 应用各种机器学习模型 (随机森林,包装,XGBoost,LightGBM,AdaBoost,梯度提升) 进行分类.
• 利用夏普利添加式解释 (SHAP) 进行模型解释,以了解特征的重要性.

主要成果:

• 与时间相关的手写特征在复制和图形任务中具有重要意义,表明认知处理速度.
• 与压力相关的特征在记忆任务中很重要,反映了回忆信心.
• 简单的图形任务表现出强大的区分能力,机器学习模型在任务中实现了显著的准确性,随机森林的整体表现最好.

结论:

• 手写分析,特别是简单的图形任务,作为早期发现阿尔茨海默病的非侵入性工具具有显著的潜力.
• 机器学习模型有效地利用手写特征来区分患有阿尔茨海默氏症和没有阿尔茨海默氏症的人.
• 进一步的研究可以完善这些方法,用于阿尔茨海默病查的临床应用.