可解释的等级机器学习方法,用于从轻度认知障碍转化为阿尔茨海默病的多式预测

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学信息学 生物医学信息学

背景情况:

• 阿尔茨海默病 (AD) 的诊断和干预受到神经退行症复杂性的挑战.
• 预测AD进展的预测模型往往缺乏临床透明度,因为它们的"黑子"性质.
• 早期识别轻度认知障碍 (MCI) 进展为AD对于及时治疗至关重要.

研究的目的:

• 开发一个先进的,可解释的机器学习 (ML) 框架,用于预测MCI转换为AD.
• 整合分层特征选择和可解释性方法 (SHAP) 进行临床解释性.
• 确定AD进展的关键预测特征和生物标志物.

主要方法:

• 利用了来自阿尔茨海默病神经成像计划 (ADNI) 580名参与者的基线数据.
• 采用分层特征选择,结合统计过和ML改进,以确定顶级预测器.
• 应用SHAP (夏普利添加式扩展) 分析对可解释的随机森林分类器进行特征贡献评估.

主要成果:

• 神经心理测试组为MCI转化为AD提供了最具预测性的特征.
• 层次特征选择确定了八个高度信息化的变量.
• 可解释的随机森林模型实现了83.79%的准确性,其中海马体积,LDELTOTAL和FAQ分数作为主要驱动因素.

结论:

• 开发的ML框架有效地预测了AD从MCI的进展,具有高准确性和透明度.
• 基于SHAP的可解释性将模型见解与已知的AD生物标志物结合起来,增强了临床信任.
• 这种方法将预测模型转化为临床可行的工具,用于早期AD诊断和患者分层.