AlzStack:使用可解释的人工智能系统预测早期发病的阿尔茨海默氏症,使用多种数据平衡技术.

科学领域:

• 人工智能在医学中的应用
• 神经学 神经学
• 机器学习用于医疗保健

背景情况:

• 阿尔茨海默病 (AD) 诊断依赖于通常耗时,昂贵和不一致的方法.
• 早期发现AD对于及时干预和改善患者预后至关重要.

研究的目的:

• 开发和评估AlzStack,这是一个软投票组合模型,用于准确地分类阿尔茨海默病.
• 将AlzStack的性能与传统的诊断方法和其他组合方法进行比较.

主要方法:

• 利用了包括人口统计,医学,生活方式和认知变量在内的2,149名患者的综合数据集.
• 实施了5倍交叉验证管道,随机化超参数调整和先进的重新采样技术 (SMOTE,ADASYN,边界SMOTE,SVMSMOTE) 以解决类不平衡问题.
• 采用可解释的人工智能 (XAI) 方法来解释模型的可解释性.

主要成果:

• AlzStack实现了高性能指标:94.27%的AUC,93.26%的精度,89.17%的精度,92.11%的回忆和90.61%的F1得分.
• 软投票组合分类器的表现优于堆叠和硬投票组合.
• XAI方法确定了关键的预测特征,如MMSE得分,功能测量和行为标记.

结论:

• 阿尔兹斯塔克在早期发现阿尔茨海默病方面表现出强大的预测性能.
• 该模型为AD诊断提供了可解释的见解,增强了其作为医疗保健决策支持工具的实用性.
• 这种人工智能方法为传统的AD诊断方法提供了更有效,更准确的替代方案.