典型文献
基于Stacking集成策略的阿尔茨海默病诊断模型研究
文献摘要：
目的 针对阿尔茨海默病(AD)相关临床人群,包括认知正常(CN)、显著记忆障碍(SMC)、早期轻度认知障碍(EMCI)、晚期轻度认知障碍(LMCI)和AD进行多分类研究,以期实现AD计算机辅助诊断.方法 基于阿尔茨海默病神经影像学计划(ADNI)数据库中2 006例受试者(436例NC,261例SMC,323例EMCI,606例LMCI和380例AD),采用LASSO方法进行特征选择,SMOTE过采样方法处理类别不平衡问题,采用支持向量机、随机森林、逻辑回归和K近邻作为初级学习器,逻辑回归作为次级学习器,加权投票集成策略构建Stacking多分类诊断模型.结果 较于以上四种初级学习器,本研究构建的Stacking集成模型分类效果较好,稳定性高,在NCvs非NC,SMC vs非SMC,EMCIvs非EMCI和LMCI vs AD之间分类准确率、召回率、F1 Score均值均在92％以上,AUC均值均在0.97以上.结论 本研究构建的AD多分类Stacking集成策略,具有较好的分类性能,可科学指导AD的预防与控制,为临床医生提供自动化的AD临床辅助诊断.
文献关键词：
阿尔茨海默病;显著记忆障碍;轻度认知障碍;多分类
中图分类号：
作者姓名：
韩红娟;陈杜荣;秦瑶;张荣;白文琳;崔靖;马艺菲;刘龙;余红梅
作者机构：
山西医科大学公共卫生学院卫生统计学教研室,山西太原030001;山西医科大学基础医学院数学教研室,山西太原030001;重大疾病风险评估山西省重点实验室,山西太原030001
文献出处：
引用格式：
[1]韩红娟;陈杜荣;秦瑶;张荣;白文琳;崔靖;马艺菲;刘龙;余红梅-.基于Stacking集成策略的阿尔茨海默病诊断模型研究)[J].现代预防医学,2022(22):4045-4051,4089
A类：
显著记忆障碍,NCvs,EMCIvs
B类：
Stacking,集成策略,阿尔茨海默病,诊断模型,认知正常,CN,SMC,轻度认知障碍,LMCI,多分类,分类研究,计算机辅助诊断,于阿尔,神经影像学,ADNI,LASSO,特征选择,SMOTE,过采样,采样方法,类别不平衡,不平衡问题,逻辑回归,近邻,初级学习器,次级学习器,加权投票,策略构建,分类诊断,研究构建,集成模型,模型分类,分类效果,分类准确率,召回率,Score,分类性能,科学指导,预防与控制,临床医生,临床辅助
AB值：
0.318734
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
