基于SSA分类器的阿尔茨海默氏病查研究

科学领域:

• 生物医学工程 生物医学工程
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 阿尔茨海默病 (AD) 是最常见的神经退行性疾病,影响了65岁及以上的10%的人.
• 早期和准确的诊断对于AD的有效管理和治疗至关重要.

研究的目的:

• 开发和验证用于阿尔茨海默病 (AD) 查的新型诊断框架.
• 为了整合等离子体减弱总反射里埃变换红外光谱 (ATR-FTIR) 与先进的机器学习算法.
• 为了优化机器学习分类器性能,使用修改后的Sparrow搜索算法 (GSSA).

主要方法:

• 使用ATR-FTIR光谱学分析了血样本.
• 使用了四个机器学习分类器 (SVM,物流回归,XGBoost,LDA).
• 使用GSSA优化了分类器,并与标准的Sparrow搜索算法 (SSA) 和贝叶斯方法进行了比较.
• 评估了包括准确性,敏感性和特异性在内的性能指标.

主要成果:

• 优化GSSA的分类器显著超过了标准的SSA和贝叶斯方法.
• 该GSSA-XGBoost模型实现了最高的精度 (88.51%),灵敏度 (95.35%) 和特异性 (81.82%).
• GSSA进一步提高了对97.67% (SVM/LDA) 的敏感性和对81.82% (XGBoost) 的特异性.

结论:

• 拟议的ATR-FTIR光谱和GSSA优化的机器学习框架显示出作为阿尔茨海默病的最小侵入性查工具的巨大潜力.
• 这种综合方法推进了光谱生物标记物的发现,并证明了算法优化的有效性.
• 由GSSA优化的XGBoost为AD诊断性能提供了最佳的平衡.