设计和验证一种混合机器学习模型,用于使用手写数据检测阿尔茨海默病

科学领域:

• 神经学 神经学
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 阿尔茨海默病 (AD) 诊断依赖于各种方法,但早期检测仍然具有挑战性.
• 手写分析提供了认知衰退的非侵入性和可访问的生物标志物.
• 从手写中识别可靠的预测因素对于及时的AD干预至关重要.

研究的目的:

• 评估手写特征,用于早期发现和诊断阿尔茨海默病.
• 使用机器学习算法和功能选择优化预测率.
• 确定最有效的机器学习模型和特征选择技术用于AD预测.

主要方法:

• 在DARWIN数据集上使用了9个机器学习算法和7个特征选择方法.
• 用于模型培训和测试的训练测试分割和交叉验证技术.
• 应用了SHapley添加式扩展 (SHAP) 来进行特征选择以提高模型性能.

主要成果:

• 使用SHAP进行特征选择通常会产生最高的性能指标.
• 混合型SHAP支持向量机模型展示了卓越的预测能力.
• 获得了高性能分数:0.9623准确度,0.9643精度,0.9630回忆力和0.9636F1-Score.

结论:

• 手写分析,特别是SHAP特征选择,是早期阿尔茨海默病诊断的一个有前途的工具.
• 混合SHAP-Support 矢量机模型为AD预测提供了一种强大而准确的方法.
• 这项研究强调了人工智能驱动的手写分析在临床神经学中的潜力.