使用随机森林增强阿尔茨海默病预测:一种新的框架,结合了落后特征消除和殖民地优化

科学领域:

• 计算生物学是一种计算生物学.
• 医疗信息学医学信息学
• 机器学习 机器学习

背景情况:

• 由于早期诊断工具有限,阿尔茨海默病 (AD) 构成了重大的健康挑战.
• 目前的方法经常在晚期发现AD,错过了关键的早期病理窗口.
• 机器学习 (ML) 显示了早期AD预测的前景,但需要优化功能选择和超参数调整.

研究的目的:

• 为了提高阿尔茨海默病 (AD) 预测准确度,使用随机森林分类器.
• 整合先进的功能选择和以自然为灵感的超参数优化技术.
• 确保可靠的模型验证和统计学意义.

主要方法:

• 采用了鱼优化算法,人工蜂群和向后消除来进行特征选择.
• 利用人工殖民地优化和白头搜索超参数优化.
• 用MinMax规范化和SMOTE预处理的数据;使用McNemar的测试,准确性,精度,回忆,F1得分和AUC与引导置信区间的验证.

主要成果:

• 逆向消除特征选择与人工殖民地优化相结合,实现了95%的准确性,95%的精度,94%的回忆,95%的F1得分和98%的AUC.
• 这种优化的模型显著优于其他组合和传统的ML算法 (p < 0.001).
• 自然灵感优化证明了优越的计算效率 (18分钟对133分钟),并确定了26个重要的AD相关特征.

结论:

• 将高级特征选择与以自然为灵感的超参数优化相结合,可显著提高AD预测准确性和计算效率.
• 开发的方法框架显示了早期AD诊断和干预计划的潜力.
• 外部验证和前性临床研究是必要的,以确认现实世界的临床实用性.