预测建模用于早期诊断痴呆症,使用顺序数据分析和数据挖掘

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 痴呆症是一个日益增长的全球健康挑战,原因是微妙的发病和有限的时间诊断模型.
• 传统的机器学习模型与静态数据扎,无法捕捉患者轨迹的渐进性认知衰退.

研究的目的:

• 引入TCBiNet,这是一个新的深度学习框架,用于使用顺序临床数据建模短期和长期痴呆症症状演变.
• 通过捕捉时间模式来提高痴呆症预测的准确性和临床相关性.

主要方法:

• 开发了TCBiNet (时间卷积双向注意网络),集成TCN,BiLSTM和时间注意机制.
• 利用了来自2,149名患者 (年龄在60-90岁) 的纵向数据,其指标分为30天间隔.
• 在Python中使用TensorFlow 2.11实现框架,用于序列意识分析.

主要成果:

• 与传统模型 (CNN-LSTM,BiLSTM-DRL) 相比,TCBiNet实现了更高的性能.
• 实现了99.51%的准确性,99.35 F1得分和0.990 AUC-ROC,显著优于现有方法.
• 通过时间模式挖掘和注意力加权,证明了增强的解释性和临床相关性.

结论:

• TCBiNet提供了一个强大的,对痴呆症的序列感知诊断工具,提高了预测准确度.
• 该模型通过早期和相关的检测,促进了痴呆症护理的积极干预.
• 突出了纵向神经认知建模用于早期疾病识别的潜力.