目的:探索极限梯度增强(XGBoost)算法模型在轻度认知障碍(MCI)向阿尔茨海默病(AD)转化中的预测性能.方法:从AD神经影像学计划数据库中选取370例MCI患者,收集随访数据.通过无放回随机抽样将样本分为包含70％样本量的训练集和包含30％样本量的测试集.以第1次随访后10 a内是否患AD为因变量,采用XGBoost算法筛选特征变量,构建AD预测模型,同时构建Logistic回归、BP神经网络和支持向量机模型,评价模型预测AD的效能.结果:经XGBoost特征选择,临床痴呆评分总和量表(CDR-SB)得分、社会活动功能量表(FAQ)得分、简易精神状态检查量表得分、听觉语言学习测试得分、BMI、舒张压、缬氨酸、白蛋白、年龄、葡萄糖、教育水平得分、糖蛋白-N-乙酰(GlycA)被纳入预测模型.基于最佳超参数组合建立的XGBoost模型的预测性能优于其他模型,其准确率、敏感度、特异度、Kappa值和AUC(95％CI)分别为0.935、0.962、0.862、0.833和0.921(0.858～0.985).所构建的XGBoost模型中,CDR-SB得分和FAQ得分重要性最大,占74.91％.结论:基于XGBoost算法构建的预测模型可用于AD患病风险的预测;在MCI人群中,CDR-SB得分和FAQ得分为重点关注指标.

阿尔茨海默病;轻度认知障碍;XGBoost算法;机器学习

丛慧文;徐雅琪;王爱民;王廉源;杨毅;王凤琳;黄一铭;石福艳;王素珍

潍坊医学院公共卫生学院卫生统计学系 山东潍坊261053

郑州大学学报（医学版）

[1]丛慧文;徐雅琪;王爱民;王廉源;杨毅;王凤琳;黄一铭;石福艳;王素珍-.XGBoost算法在轻度认知障碍人群阿尔兹海默病发病预测中的应用)[J].郑州大学学报（医学版）,2022(06):751-756

GlycA

XGBoost,轻度认知障碍,障碍人群,阿尔兹海默病,发病预测,算法模型,MCI,阿尔茨海默病,AD,预测性能,神经影像学,计划数,随访数据,放回,随机抽样,样本量,训练集,测试集,因变量,特征变量,支持向量机模型,特征选择,痴呆评分,总和,CDR,SB,社会活动,活动功能,FAQ,简易精神状态检查量表,听觉语言,语言学习,试得,舒张压,缬氨酸,教育水平,糖蛋白,超参数,数组,Kappa,患病风险

0.342153