基于MMSE的痴呆症预测:深度与深度. 传统的模式 传统的模式
Yuyeon Jung1, Yeji Park2, Jaehyun Jo2
1Department of Dental Hygiene, College of Medical Science, Konyang University, Daejeon 35365, Republic of Korea.
Life (Basel, Switzerland)
|October 29, 2025
概括
一个新的深度学习模型使用MMSE项目数据准确预测痴呆症,优于传统方法. 可解释的人工智能突出了早期诊断的关键认知领域.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 老年学是一门学科.
背景情况:
- 早期痴呆症诊断对于患者的治疗结果和降低社会成本至关重要.
- 使用迷你精神状态检查 (MMSE) 的传统方法与复杂的认知模式作斗争.
- 通过当前的统计和机器学习方法来捕捉非线性相互作用和微妙的下降模式存在局限性.
研究的目的:
- 开发和评估一种新的深度学习模型,用于使用项目级MMSE数据预测痴呆症.
- 将深度学习模型的性能与传统机器学习模型 (随机森林,SVM) 的性能进行比较.
- 通过可解释的AI (SHAP分析) 提高临床解释性.
主要方法:
- 一个完全连接的神经网络在164名参与者 (认知正常,MCI,痴呆症) 的项目级MMSE数据上受训.
- 该模型与Random Forest和SVM分类器进行了比较,使用准确度,F1得分,混矩阵和ROC曲线.
- 采用SHAP分析来确定有影响力的MMSE变量.
主要成果:
- 深度学习模型以90%的准确度和0.90 F1得分实现了卓越的性能,超过了随机森林 (86%) 和SVM (82%).
- SHAP分析确定了即时记忆 (Q11),计算 (Q12) 和绘制形状 (Q17) 作为关键预测因素.
- 该模型显示了高的预测准确性和临床可解释性.
结论:
- 深度学习为使用MMSE数据进行早期痴呆症诊断提供了一个强大的,可解释的工具.
- 项目级别分析和可解释的AI提供了比单独的总分数更深入的见解.
- 未来的研究需要更大的,多机构的数据集,以进行更广泛的临床验证.


