利用 Survival Transformer、极端梯度提升与 Cox 比例风险模型预测轻度认知障碍的恶化
机器学习
2024-09-25 v1 人工智能
神经与进化计算
摘要
本文提出了一种利用 Survival Transformer 和极端梯度提升模型，在 ADNI 队列中使用代谢组学数据预测轻度认知障碍（MCI）个体认知恶化的新方法。通过利用应用于生存分析的先进机器学习和基于 Transformer 的技术，该方法突出了这些技术在更准确地进行阿尔茨海默痴呆早期检测和干预方面的潜力。本研究还强调了非侵入性生物标志物和创新建模工具在提高痴呆风险评估准确性方面的重要性，为临床实践和患者护理提供了新途径。一项包含100次重复嵌套交叉验证的综合蒙特卡洛模拟程序（在交叉验证中训练和评估模型）表明，基于 Transformer 和 XGBoost 的生存机器学习模型获得了最高的平均 C-index 性能，分别为 0.85 和 0.8，并且它们优于实现了 0.77 平均 C-index 的传统生存分析 Cox 比例风险模型。此外，基于蒙特卡洛模拟中获得的 C-index 性能的标准差，我们确定上述两种生存机器学习模型均比传统的统计模型更稳定。
引用
@article{arxiv.2409.16231,
title = {Predicting Deterioration in Mild Cognitive Impairment with Survival Transformers, Extreme Gradient Boosting and Cox Proportional Hazard Modelling},
author = {Henry Musto and Daniel Stamate and Doina Logofatu and Daniel Stahl},
journal= {arXiv preprint arXiv:2409.16231},
year = {2024}
}
备注
Accepted to ICANN 2024