面向阿尔茨海默病预测的可解释集成框架：基于结构化临床与认知数据的研究
机器学习
2026-03-06 v1 人工智能
摘要
阿尔茨海默病（AD）的早期准确检测仍是医学诊断中的重大挑战，由于其潜在的症状和渐进性。本研究引入一种可解释的集成学习框架，用于使用结构化临床、生活方式、代谢和生活方式特征对个体进行阿尔茨海默病与非阿尔茨海默病的分类。该工作流程包括严格的预处理、先进的特征工程、SMOTE-Tomek 混合类别平衡，以及基于随机森林、XGBoost、LightGBM、CatBoost 和 Extra Trees 的五种集成算法，以及深度人工神经网络。采用分层验证进行模型选择，以防止数据泄漏，并在完全未见的测试集上评估最佳模型。集成方法在深度学习方面取得优异性能，XGBoost、随机森林和软投票表现出最强的准确率、灵敏度和 F1 分数。解释性技术，包括 SHAP 和特征重要性分析，突出显示 MMSE、功能评估年龄以及几个人工构建的交互特征作为最具影响力的决定因素。结果表明，所提出的框架提供了一种可靠且透明的阿尔茨海默病预测方法，具有强大的临床决策支持潜力。
引用
@article{arxiv.2603.04449,
title = {An Explainable Ensemble Framework for Alzheimer's Disease Prediction Using Structured Clinical and Cognitive Data},
author = {Nishan Mitra},
journal= {arXiv preprint arXiv:2603.04449},
year = {2026}
}
备注
6 pages, 7 figures, 2 tables. Preprint version