基于Bagging的阿尔茨海默病进程多分类预测研究

目的 对阿尔茨海默病（Alzheimer′s disease, AD）进程[认知正常（cognitive normal, CN）、早期轻度认知障碍（early mild cognitive impairment, EMCI）、晚期轻度认知障碍（late mild cognitive impairment, LMCI）和AD]进行多分类预测，为制定个性化诊疗方案提供参考。方法 利用阿尔茨海默病神经影像学计划（Alzheimer′s disease neuroimaging initiative, ADNI）数据库中的527例个体的27个变量，进行特征选择筛选特征子集、SMOTE过采样处理类别不平衡后构建两个集成分类模型XGBoost和Bagging,并将分类性能与朴素贝叶斯和K-近邻进行比较。结果 使用经SMOTE过采样后构建的Bagging集成模型准确率最高（94.40%）;Bagging对EMCI、LMCI和AD的类准确率较高，分别为100.00%、88.00%和87.00%,Bagging模型性能较优。结论 本文构建的AD进程多分类Bagging模型，不仅可实现直接多分类，而且有较高的准确率，可为临床AD的诊疗工作提供借鉴。