弥合差距:缺少数据计算方法及其对痴呆症分类绩效的影响

科学领域:

• 神经科学和神经成像研究.
• 在神经退行性疾病中的临床应用.

背景情况:

• 在神经科学研究中,缺失的数据很普遍,特别是在阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 中.
• 错误处理缺失的数据可能会对机器学习 (ML) 模型的性能和可解释性产生负面影响.

研究的目的:

• 系统地比较五种数据归算方法对ML分类准确性的影响.
• 通过使用来自阿尔茨海默病神经成像计划 (ADNI) 的多式联络数据来评估归算策略.

主要方法:

• 来自MCI或AD的ADNI参与者的临床,认知和神经成像数据的分析.
• 应用五种归算技术:平均值,中位数,k-近邻数 (kNNs),连锁方程多重归算 (MICE) 和错过Forest (MF).
• 使用随机森林 (RF),物流回归 (LR) 和支持矢量机器 (SVM) 模型进行分类,通过McNemar的测试评估性能.

主要成果:

• 通过链式方程 (MICE) 实现了RF (0.76) 和LR (0.81) 的最高精度.
• 支持向量机 (SVM) 的表现最好,中位数归算为 (0.81).
• 在RF与其他模型之间观察到分类性能的显著差异 (p < 0.01).

结论:

• 归算方法的选择显著影响了神经退行性疾病研究中的分类准确性.
• 根据特定的数据特征和所选的分类器定制归算策略对于强大的预测建模至关重要.