基于Bagging的阿尔茨海默病进程多分类预测研究

摘要：

目的 对阿尔茨海默病(Alzheimer′s disease,AD)进程[认知正常(cognitive normal,CN)、早期轻度认知障碍(early mild cognitive impairment,EMCI)、晚期轻度认知障碍(late mild cognitive impairment,LMCI)和AD]进行多分类预测,为制定个性化诊疗方案提供参考.方法 利用阿尔茨海默病神经影像学计划(Alzheimer′s disease neuroimaging initiative,ADNI)数据库中的527例个体的27个变量,进行特征选择筛选特征子集、SMOTE过采样处理类别不平衡后构建两个集成分类模型XGBoost和Bagging,并将分类性能与朴素贝叶斯和K-近邻进行比较.结果 使用经SMOTE过采样后构建的Bagging集成模型准确率最高(94.40％);Bagging对EMCI、LMCI和AD的类准确率较高,分别为100.00％、88.00％和87.00％,Bagging模型性能较优.结论 本文构建的AD进程多分类Bagging模型,不仅可实现直接多分类,而且有较高的准确率,可为临床AD的诊疗工作提供借鉴.

关键词：阿尔茨海默病、引导聚集算法、多分类

所属期刊栏目：39

分类号：R195(保健组织与事业（卫生事业管理）)

资助基金：国家自然科学基金81973154

在线出版日期：2022-12-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：675-679,684