基于机器学习解码认知健康：针对显著性记忆关切的诊断综合评估
摘要
及时识别显著性记忆关切（Significant Memory Concern, SMC）对于积极的认知健康管理至关重要，尤其是在老年人口中。早期检测SMC可实现及时干预和个性化护理，从而可能减缓认知障碍的进展。本研究首先进行了最新综述，然后全面评估了随机神经网络（RNNs）和基于超平面的分类器（hyperplane-based classifiers, HbCs）家族中的机器学习模型，以彻底探讨SMC诊断。利用阿尔茨海默病神经影像计划2（Alzheimer's Disease Neuroimaging Initiative 2, ADNI2）数据集，分析了111名患有SMC且111名健康老年成年人的个体，其基于T1加权磁性成像（T1W magnetic resonance imaging, MRI）扫描，提取了丰富的特征。该分析基于基线结构MRI（sMRI）扫描，从灰质（gray matter, GM）、白质（white matter, WM）、雅可比行列式（Jacobian determinant, JD）和皮层厚度（cortical thickness, CT）测量中提取丰富特征。在RNNs中，深度随机向量功能链接（deep random vector functional link, dRVFL）和集成dRVFL（edRVFL）在SMC识别方面的绩效指标方面表现最佳。在HbCs中，核化pinball通用双支持向量机（Kernelized pinball general twin support vector machine, Pin-GTSVM-K）在CT和WM特征方面表现突出，而线性Pin-GTSVM（Pin-GTSVM-L）和线性直觉模糊TSVM（Linear intuitionistic fuzzy TSVM, IFTSVM-L）在JD和GM特征集方面表现良好。本次全面评估强调了特征选择和模型选择在实现SMC诊断有效分类器方面的关键作用。进一步的统计分析进一步强化了结果的可信度，确认了该分析的严谨性。绩效指标显示，本框架在辅助研究人员进行自动化和准确的SMC评估方面具有适用性。本研究中使用的算法和数据集的源代码均可在https://github.com/mtanveer1/SMC上获取。
引用
@article{arxiv.2405.07070,
title = {Decoding Cognitive Health Using Machine Learning: A Comprehensive Evaluation for Diagnosis of Significant Memory Concern},
author = {M. Sajid and Rahul Sharma and Iman Beheshti and M. Tanveer},
journal= {arXiv preprint arXiv:2405.07070},
year = {2024}
}