基于机器学习的阿尔兹海默症智能分类研究

阿尔兹海默症(AD)是一种使人记忆力衰退、大脑功能缓慢且逐渐变异的智力丧失表现的疾病。而早期诊断和预测AD可以延缓患者的发病，可能延长患者的寿命，对整个社会具有重要的科学意义。本文通过机器学习等方法对AD数据进行分析和建模，增添大脑特征指标，进行数据预处理，利用成对分类法的SVM实现AD的智能诊断，通过SVM得到的五分类的准确度达到0.71，高于随机森林的0.69与XGBoost提升树的0.706。并通过绘制ROC曲线，对于判断CN有64%准确率，判断AD有80%准确率，判断LMCI有68%准确率，判断SMC有58%准确率，判断EMCI有76%准确率，具有较好的测试效果。提取和发现影响AD诊断和预测的关键症状，并对患者类别进行分类，能够有效、快速地得到早期诊断和预测AD的患病概率，以达到预防AD的有效手段。基于成对分类法的SVM实现AD的智能诊断，并且能够用推广于更加多分类的问题。

设AD 是一种使人记忆力衰退、大脑功能缓慢且逐渐变异的智力丧失表现的疾病。该病严重可以直接影响患者认识和感觉心理综合功能的严重缺失，尤其严重的后果是患者大脑神经皮质生理机能的严重丧失，包括正常人的逻辑记忆力、判断能力、抽象思维表达能力等。AD 的特点是神经原纤维缠结、神经元和突触丢失、β 淀粉样斑块的累积， 所导致脑功能和行为出现变化。

早期诊断和预测AD 可以延缓患者的发病，可能延长患者的寿命，对整个社会具有重要的科学意义。因此，有效的早期诊断和预测AD 的患病概率是预防AD 的有效手段[1]。通过人工智能计算方法对AD 数据进行分析和建模，提取和发现影响AD 诊断和预测的关键症状。由于数据集中不同的量表有各自的优势和局限性，因此需要综合的考虑各种表格， 从而诊断和预测AD。

特征提取算法有的仅支持离散属性的特征变量、有的仅支持连续属性的特征变量、也有的两者皆可支持。本文根据有关特征对阿尔茨海默病进行智能化诊断并建立相关数学模型。用附加的大脑结构特征和认知行为特征来设计阿尔茨海默病的智能诊断，本文采用的是基于成对分类法的SVM 实现AD 的智能诊断，从简单的SVM 二分问题向高维的五分类问题逐渐优化，使得问题简单化然后对五类数据分别探索并验证模型的效果。

2. 模型假设与符号说明 1) 假设本题附件中提供的数据均真实可信。

2) 假设每个样本间相互独立、互不关联，并且他们的各指标之间互不干扰(表1)。

Table 1. Symbol description 表1. 符号说明 符号 说明 单位 R 相关系数矩阵 / rs 斯皮尔曼相关性系数 / K (xi, xj) SVM 核函数 / J 松弛变量 / βi 回归系数 / A 健康状况 /