通过基于变压器的模型提高阿尔茨海默病的分类,使用自主监督学习

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) 诊断依赖于昂贵和复杂的方法.
• 传统的机器学习 (ML) 模型在特征选择,类不平衡和AD分类的概括方面扎.

研究的目的:

• 引入一个带有自主监督学习 (ETT-SSL) 的增强型TabTransformer,用于准确和可解释的阿尔茨海默病分类.
• 开发一种使用唾液数据的临床实用诊断方法.

主要方法:

• 开发了一个ETT-SSL框架,集成了变压器架构和自我监督学习.
• 使用SHAP来选择特征,使用SMOTE来进行类平衡.
• 使用唾液数据进行分类.

主要成果:

• ETT-SSL实现了95.8%的高精度,显著优于基线模型 (SVM: 72.1%,RF: 78.3%,LightGBM: 80.5%) 和标准TabTransformer (85.2%).
• 该框架显示了更好的准确性和回忆力,减少了AD诊断中的错误负面.
• SHAP分析为临床决策提供了模型的解释性.

结论:

• 拟议的ETT-SSL框架提供了一种高度准确,可解释和临床实用的方法,用于使用唾液生物标志物的阿尔茨海默病诊断.
• 该方法可适应多模式数据集成 (例如MRI,基因组学,EHR) 以进一步提高诊断准确性和通用性.