核心极端学习机器的全面评估和临床影响 长期短期记忆转换器框架
Wentao Zheng1, Yang Pan2, Ying Wang1
1The First Affiliated Hospital of Dali University Dali 671000, Yunnan, China.
American journal of translational research
|December 19, 2025
概括
一个新的混合深度学习模型,KELM-LSTM-Transformer,在诊断阿尔茨海默病 (AD) 和使用临床数据预测其进展方面显示出高准确性.
科学领域:
- 人工智能在医学中的应用
- 神经科学是一个神经科学.
- 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) 的诊断和预测仍然具有挑战性.
- 准确的早期风险分层对于及时干预至关重要.
- 现有的方法可能无法充分利用复杂的临床数据.
研究的目的:
- 开发和验证混合深度学习模型,以提高AD诊断和预测.
- 为了提高准确性,利用现有的临床数据.
- 评估模型的概括性和预测能力.
主要方法:
- 开发了一个三重架构的联合模型,集成了内核极端学习机器 (KELM),长短期内存 (LSTM) 和变压器.
- 该模型在来自阿尔茨海默氏症神经成像倡议 (ADNI) 数据库的2,149名受试者上进行了训练和验证.
- 外部验证是在1012名受试者的独立队列上进行的.
主要成果:
- 内部验证实现了95.42%的准确性和0.981 AUC.
- 外部验证表明准确率为93.81%,AUC为0.9725.
- 该模型预测了轻度认知障碍到AD转化在3年内,准确率为92.78%.
结论:
- 凯尔姆-LSTM-变压器模型为AD预测提供了一个强大而稳健的框架.
- 高度准确性和通用性表明其潜在的早期风险分层.
- 这种可访问的工具可以支持对阿尔茨海默病的及时临床干预.
