
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于SHAP可解释特征选择的阿尔茨海默病机器学习预测框架研究
《Scientific Reports》:Explainable AI framework for Alzheimer’s disease prediction using multimodal data
【字体: 大 中 小 】 时间:2026年10月01日 来源:Scientific Reports 4.9
编辑推荐:
摘要阿尔茨海默病(AD)的准确预测在临床研究和医疗保健中至关重要。然而,由于不同认知阶段具有异质性的临床症状和高维临床数据,区分疾病进展仍然充满挑战。本研究提出了一种可解释的机器学习框架,利用国家阿尔茨海默病协调中心(NACC)队列的基线临床评估数据来预测 AD。采用沙普利加
阿尔茨海默病(AD)的准确预测在临床研究和医疗保健中至关重要。然而,由于不同认知阶段具有异质性的临床症状和高维临床数据,区分疾病进展仍然充满挑战。本研究提出了一种可解释的机器学习框架,利用国家阿尔茨海默病协调中心(NACC)队列的基线临床评估数据来预测 AD。采用沙普利加和解释(SHAP)引导的特征选择方法来识别最具信息量的特征。五种分类器被应用于数值型、类别型及其组合子集的二分类和多分类设置中。值得注意的是,在临床上重要的轻度认知障碍到阿尔茨海默病(MCI-to-AD)任务中,随机森林(RF)取得了最佳性能,达到了 0.9322 的平衡准确率和 0.9352 的宏平均 F1 分数。RF 实现了 0.9755?±?0.0010 的 ROC-AUC 和 0.9924?±?0.0005 的 AUC-PR,表明在精简后的特征集中保留了区分能力。这些发现表明,整合可解释的特征选择为未来的临床决策支持系统奠定了有希望的基础。对所有评估分类器计算得出的平均训练时间展示了最显著的提升,从 1039.77 秒降至 59.7 秒(约 94%)。结果表明,将稳健的可解释特征选择与机器学习相结合,可以为未来的临床评估提供有希望的决策支持框架。