通过机器学习与网络系统生物学方法融合开发新型整体化个性化痴呆风险预测模型
神经元与认知
2024-01-12 v2 计算机与社会
机器学习
摘要
随着全球预期寿命提高与人口老化,痴呆患病率随时间增加。个体患痴呆的风险受多种遗传、生活方式和环境等因素影响。预测痴呆风险可使个体采取缓解策略或生活方式改变以延迟痴呆发病。当前痴呆预测的的计算方法仅基于狭窄类别变量返回风险,且未考虑不同风险变量间的交互。所提框架采用新颖的整体化痴呆风险预测方法,并首次将表格环境污染与生活方式因子数据与基于网络系统生物学的遗传数据多种来源相结合。采用LightGBM梯度提升以确保纳入因子的有效性。该方法通过一种称为Sysable的原创加权融合方法成功建模变量间交互。多个机器学习模型训练该算法以减少对单一模型的依赖。所开发方法超越所有现有痴呆风险预测方法,灵敏度85%、特异度99%、几何准确度92%、AUROC 91.7%。还实现了迁移学习模型。通过AI Fairness 360库对模型运行去偏算法。分析人口差异对痴呆患病率的影响以潜在突出需求领域并促进公平可及的护理。所得模型还被集成至用户友好应用中,提供整体化预测与个性化风险缓解策略。所开发模型成功将整体化计算痴呆风险预测用于临床。
引用
@article{arxiv.2311.09229,
title = {Developing a Novel Holistic, Personalized Dementia Risk Prediction Model via Integration of Machine Learning and Network Systems Biology Approaches},
author = {Srilekha Mamidala},
journal= {arXiv preprint arXiv:2311.09229},
year = {2024}
}