一种利用机器学习技术改进帕金森病预测的方法
机器学习
2016-10-27 v1
摘要
帕金森病（PD）是全球主要的公共卫生问题之一。众所周知，美国约有 100 万人患有帕金森病，而全球患者总数约为 500 万。因此，在早期阶段预测帕金森病以便及早制定必要的治疗方案显得尤为重要。人们大多熟悉帕金森病的运动症状，然而越来越多的研究致力于从先于运动症状出现的非运动症状来预测帕金森病。如果能够进行早期且可靠的预测，患者就能在合适的时机获得适当的治疗。本文考虑的非运动症状包括快速眼动（REM）睡眠行为障碍（RBD）和嗅觉丧失。开发能够帮助我们预测该疾病的机器学习模型在早期预测中可发挥至关重要的作用。本文扩展了一项使用 RBD 和嗅觉丧失等非运动特征的工作，同时该扩展工作还使用了重要的生物标志物。本文尝试使用以往未曾用过的不同机器学习模型来构建该分类器。我们利用 Multilayer Perceptron、BayesNet、Random Forest 和 Boosted Logistic Regression 开发了自动化诊断模型。据观察，Boosted Logistic Regression 提供了最佳性能，准确率高达 97.159%，ROC 曲线下面积为 98.9%。因此，结论是这些模型可用于帕金森病的早期预测。
引用
@article{arxiv.1610.08250,
title = {An Improved Approach for Prediction of Parkinson's Disease using Machine Learning Techniques},
author = {Kamal Nayan Reddy Challa and Venkata Sasank Pagolu and Ganapati Panda and Babita Majhi},
journal= {arXiv preprint arXiv:1610.08250},
year = {2016}
}
备注
Conference Paper