用于预测阿尔茨海默病进展的自适应机器学习分诊框架
机器学习
2025-11-11 v1
摘要
准确预测从轻度认知障碍(MCI)到阿尔茨海默病(AD)的转化能够实现有效的个性化治疗。虽然认知测试和临床数据是常规收集的，但它们缺乏PET扫描和CSF生物标志物分析的预测能力，而后者对每位患者来说都过于昂贵。为了解决这一成本-准确性困境，我们设计了一个两阶段机器学习框架，该框架根据预测的“信息价值”选择性地获取高级、昂贵的特征。我们将该框架应用于使用阿尔茨海默病神经影像学倡议(ADNI)数据预测MCI患者的AD进展。我们的框架将高级测试的需求减少了20%，同时实现了0.929的测试AUROC，与同时使用基本和高级特征的模型相当(AUROC=0.915, p=0.1010)。我们还提供了一个示例可解释性分析，展示了如何解释分诊决策。我们的工作提出了一个可解释的、数据驱动的框架，该框架优化了AD诊断路径并平衡了准确性与成本，代表着向在现实实践中实现早期、可靠的AD预测更易获取迈出的一步。未来的工作应考虑多种类别的高级特征和更大规模的验证。
引用
@article{arxiv.2511.06681,
title = {An Adaptive Machine Learning Triage Framework for Predicting Alzheimer's Disease Progression},
author = {Richard Hou and Shengpu Tang and Wei Jin},
journal= {arXiv preprint arXiv:2511.06681},
year = {2025}
}
备注
Findings paper presented at Machine Learning for Health (ML4H) symposium 2025, December 1-2, 2025, San Diego, CA, USA, 9 pages. Shengpu Tang and Wei Jin contributed equally as senior authors