目的:分析不同机器学习模型对阿尔茨海默病(Alzheimer’s disease,AD)与中重度脑小血管病(cerebral small vessel disease,CSVD)的鉴别价值并进行验证。方法:分别收集85例AD和98例中重度CSVD患者的影像资料,并对2组间影像特征进行对比...目的:分析不同机器学习模型对阿尔茨海默病(Alzheimer’s disease,AD)与中重度脑小血管病(cerebral small vessel disease,CSVD)的鉴别价值并进行验证。方法:分别收集85例AD和98例中重度CSVD患者的影像资料,并对2组间影像特征进行对比。利用logistic分析筛查有价值的数据并建立不同的机器学习模型,对比不同机器学习模型对鉴别AD与中重度CSVD的临床应用价值。结果:朴素贝叶斯模型的受试者工作特征曲线下面积(area under the curve,AUC)为0.853,95%CI=0.798~0.908;极限梯度提升模型的AUC为0.995,95%CI=0.989~1.000;递归分区模型的AUC为0.878,95%CI=0.827~0.929;神经网络模型的AUC为0.876,95%CI=0.828~0.925;随机森林模型的AUC为0.944,95%CI=0.913~0.975;列线图模型的AUC为0.854,95%CI=0.800~0.910。利用沙普利加和解释(shapley additive explanations,SHAP)值对极限梯度提升模型进行解释,各预测因子对诊断AD均为负向贡献;其权重分别为海马体积>颞叶ADC值>岛叶体积>缘上回体积>顶上小叶体积。结论:机器学习模型可应用于AD与中重度CSVD的鉴别中,其中极限梯度提升模型的综合诊断效能最佳;SHAP值可对各预测因素进行识别,提高模型透明度。展开更多
文摘目的:分析不同机器学习模型对阿尔茨海默病(Alzheimer’s disease,AD)与中重度脑小血管病(cerebral small vessel disease,CSVD)的鉴别价值并进行验证。方法:分别收集85例AD和98例中重度CSVD患者的影像资料,并对2组间影像特征进行对比。利用logistic分析筛查有价值的数据并建立不同的机器学习模型,对比不同机器学习模型对鉴别AD与中重度CSVD的临床应用价值。结果:朴素贝叶斯模型的受试者工作特征曲线下面积(area under the curve,AUC)为0.853,95%CI=0.798~0.908;极限梯度提升模型的AUC为0.995,95%CI=0.989~1.000;递归分区模型的AUC为0.878,95%CI=0.827~0.929;神经网络模型的AUC为0.876,95%CI=0.828~0.925;随机森林模型的AUC为0.944,95%CI=0.913~0.975;列线图模型的AUC为0.854,95%CI=0.800~0.910。利用沙普利加和解释(shapley additive explanations,SHAP)值对极限梯度提升模型进行解释,各预测因子对诊断AD均为负向贡献;其权重分别为海马体积>颞叶ADC值>岛叶体积>缘上回体积>顶上小叶体积。结论:机器学习模型可应用于AD与中重度CSVD的鉴别中,其中极限梯度提升模型的综合诊断效能最佳;SHAP值可对各预测因素进行识别,提高模型透明度。
