深度学习和传统机器学习模型的比较,用于使用等离子体蛋白质生物标志物预测轻度认知障碍
Kesheng Wang1,2, Donald A Adjeroh3, Wei Fang4
1Department of Biobehavioral Health & Nursing Science, College of Nursing, University of South Carolina, Columbia, SC 29208, USA.
International journal of molecular sciences
|March 27, 2025
概括
深度学习 (DL) 模型在使用等离子体蛋白质生物标志物预测轻度认知障碍 (MCI) 时,与传统机器学习 (ML) 方法相比,显示出更高的准确性. 这些生物标志物有助于MCI的早期诊断和风险分层.
科学领域:
- 生物标志物和诊断方法
- 人工智能在医学中的应用
- 神经退行性疾病 神经退行性疾病
背景情况:
- 轻度认知障碍 (MCI) 是正常衰老和阿尔茨海默病 (AD) 之间的过渡阶段.
- 早期准确预测MCI对于及时干预至关重要.
- 血蛋白质生物标志物为疾病检测提供了一种最小侵入性的方法.
研究的目的:
- 为了比较深度学习 (DL) 和传统机器学习 (ML) 模型在预测MCI方面的有效性.
- 确定与MCI相关的关键血蛋白质生物标志物.
- 探索DL模型在MCI预测中的潜力.
主要方法:
- 利用了阿尔茨海默病神经成像计划 (ADNI) 队列中的239名成年人的数据.
- 通过使用LASSO进行特征选择,评估了146种血蛋白质生物标记物 (35种被选中).
- 对比了六个DL模型 (DNN变体) 和七个传统ML模型 (例如XGBoost,SVM).
主要成果:
- 优化的DNN模型实现了0.995的精度和0.996.996的F1得分.
- 在传统的ML方法中,XGBoost表现最好,准确度为0.986和F1得分为0.985.
- 确定了生物标志物与APOE-ε4,PHS和CSF生物标志物 (Aβ42,tTau,pTau) 之间的显著相关性.
结论:
- 深度学习模型显示,使用等离子体蛋白质组生物标志物的MCI准确预测具有很高的潜力.
- 选择的生物标志物与关键的生物学途径有关,包括细胞因子相互作用和脂质代谢.
- 血蛋白质生物标志物和DL对早期MCI诊断,风险分层和治疗具有前途.
