論文の概要: An Explainable Ensemble Framework for Alzheimer's Disease Prediction Using Structured Clinical and Cognitive Data

• arxiv url: http://arxiv.org/abs/2603.04449v1
• Date: Thu, 26 Feb 2026 19:12:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:10.886896
• Title: An Explainable Ensemble Framework for Alzheimer's Disease Prediction Using Structured Clinical and Cognitive Data
• Title（参考訳）: 構造的臨床・認知データを用いたアルツハイマー病予測のための説明可能なアンサンブルフレームワーク
• Authors: Nishan Mitra,
• Abstract要約: 本研究は、個人をアルツハイマー病または非アルツハイマー病と分類するために設計された説明可能なアンサンブル学習フレームワークを紹介する。 このフレームワークには厳格な前処理、高度な機能エンジニアリング、SMOTE-Tomekハイブリッドクラスバランシング、最適化されたモデリングが含まれている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early and accurate detection of Alzheimer's disease (AD) remains a major challenge in medical diagnosis due to its subtle onset and progressive nature. This research introduces an explainable ensemble learning Framework designed to classify individuals as Alzheimer's or Non-Alzheimer's using structured clinical, lifestyle, metabolic, and lifestyle features. The workflow incorporates rigorous preprocessing, advanced feature engineering, SMOTE-Tomek hybrid class balancing, and optimized modeling using five ensemble algorithms-Random Forest, XGBoost, LightGBM, CatBoost, and Extra Trees-alongside a deep artificial neural network. Model selection was performed using stratified validation to prevent leakage, and the best-performing model was evaluated on a fully unseen test set. Ensemble methods achieved superior performance over deep learning, with XGBoost, Random Forest, and Soft Voting showing the strongest accuracy, sensitivity, and F1-score profiles. Explainability techniques, including SHAP and feature importance analysis, highlighted MMSE, Functional Assessment Age, and several engineered interaction features as the most influential determinants. The results demonstrate that the proposed framework provides a reliable and transparent approach to Alzheimer's disease prediction, offering strong potential for clinical decision support applications.
• Abstract（参考訳）: アルツハイマー病(AD)の早期かつ正確な診断は、その微妙な発症と進行性のため、医学的診断において大きな課題である。 本研究は, 臨床, ライフスタイル, メタボリック, ライフスタイルなどを用いて, 個人をアルツハイマー病や非アルツハイマー病と分類するための説明可能なアンサンブル学習フレームワークを提案する。 このワークフローには厳格な前処理、高度な機能エンジニアリング、SMOTE-Tomekハイブリッドクラスバランシング、Random Forest、XGBoost、LightGBM、CatBoost、Extra Treesという5つのアンサンブルアルゴリズムを使った最適化されたモデリングが含まれている。 層状検証を用いてモデル選択を行い, 完全未確認試験セットにおいて, 最適性能モデルの評価を行った。 アンサンブル法はディープラーニングよりも優れており、XGBoost、Random Forest、Soft Votingは高い精度、感度、F1スコアプロファイルを示している。 SHAPや特徴重要度分析などの説明可能性技術は、MMSE、機能評価年齢、そして最も影響力のある決定要因として、いくつかの工学的相互作用の特徴を強調した。 以上の結果から,提案フレームワークはアルツハイマー病の予測に信頼性と透過的なアプローチを提供し,臨床診断支援への応用に強い可能性を示唆している。

関連論文リスト

• An Adaptive Machine Learning Triage Framework for Predicting Alzheimer's Disease Progression [12.418201300163545]
  軽度認知障害(MCI)からアルツハイマー病(AD)への転換の正確な予測は、効果的なパーソナライズされた治療を可能にする。 予測された「情報の価値」に基づいて、高度でコストのかかる特徴を選択的に得る2段階の機械学習フレームワークを設計する。 我々のフレームワークは、基本的な機能と高度な機能の両方を使用するモデルに匹敵する0.929のAUROCを達成しながら、高度なテストの必要性を20%削減します。
  論文  参考訳（メタデータ） (2025-11-10T03:57:56Z)
• PSO-XAI: A PSO-Enhanced Explainable AI Framework for Reliable Breast Cancer Detection [2.5631347250059577]
  本研究では、機能選択のためのカスタマイズされたParticle Swarm Optimization (PSO)を組み込んだ統合フレームワークを提案する。 提案手法は、精度と精度を含む全てのパフォーマンス指標において99.1%の優れたスコアを得た。 結果は,Swarmインテリジェンスと説明可能なMLを組み合わせることで,堅牢で信頼性が高く,臨床的に有意義な乳癌診断の可能性を強調した。
  論文  参考訳（メタデータ） (2025-10-23T14:42:50Z)
• Deep Learning Approaches with Explainable AI for Differentiating Alzheimer Disease and Mild Cognitive Impairment [0.0]
  アルツハイマー病の早期かつ正確な診断は、効果的な臨床介入に重要である。 構造的磁気共鳴画像を用いたアルツハイマー病分類のためのハイブリッドディープラーニングアンサンブルフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T16:17:14Z)
• KERAP: A Knowledge-Enhanced Reasoning Approach for Accurate Zero-shot Diagnosis Prediction Using Multi-agent LLMs [39.47350988195002]
  大きな言語モデル(LLM)は、診断予測に言語能力と生物医学的知識を活用することを約束している。 我々は,知識グラフ(KG)を用いた多エージェントアーキテクチャによるLLMに基づく診断予測を改善する推論手法であるKERAPを提案する。 本フレームワークは, マッピング用リンクエージェント, 構造化知識抽出用検索エージェント, 診断予測を反復的に洗練する予測エージェントから構成される。
  論文  参考訳（メタデータ） (2025-07-03T16:35:11Z)
• An Explainable Nature-Inspired Framework for Monkeypox Diagnosis: Xception Features Combined with NGBoost and African Vultures Optimization Algorithm [0.0]
  本研究では,皮膚病変画像からのサルポックスの自動検出のための,新しいディープラーニングベースのフレームワークを提案する。 我々は、サルポックス、チキンポックス、麻疹の画像を含む新しいサルポックス皮膚病変データセット(MSLD)を用いて、モデルのトレーニングと評価を行った。 AVOA-NGBoostモデルの精度は97.53%,F1スコア97.72%,AUC97.47%であった。
  論文  参考訳（メタデータ） (2025-04-24T13:32:11Z)
• CDS: Knowledge Component-Driven Data Synthesis Guided by Cognitive Diagnosis Theory [39.579188324839386]
  大規模言語モデル(LLM)は大きな進歩を遂げているが、タスクの複雑さが増し、高いパフォーマンス要求が継続的改善の必要性を浮き彫りにしている。 いくつかの手法は、列車モデルの評価結果に基づいて、先進LLMによって生成された合成データを利用する。 本稿では,認知診断理論(CDT)にインスパイアされた診断プロセスを取り入れた認知診断合成(CDS)手法を提案する。
  論文  参考訳（メタデータ） (2025-01-13T20:13:59Z)
• MRI Patterns of the Hippocampus and Amygdala for Predicting Stages of Alzheimer's Progression: A Minimal Feature Machine Learning Framework [0.0]
  本研究では、構造的MRIデータを活用する最小機能機械学習フレームワークを提案し、興味のある領域として海馬と扁桃体に焦点を当てた。 このフレームワークは、特徴選択による次元の呪いに対処し、地域固有のボクセル情報を利用し、ノイズを低減して分類性能を向上させる革新的なデータ組織を実装している。
  論文  参考訳（メタデータ） (2025-01-10T10:47:00Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Leveraging Pretrained Representations with Task-related Keywords for Alzheimer's Disease Detection [69.53626024091076]
  アルツハイマー病(AD)は高齢者に特に顕著である。 事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。 本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2023-03-14T16:03:28Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Multimodal Inductive Transfer Learning for Detection of Alzheimer's Dementia and its Severity [39.57255380551913]
  本稿では,音響的,認知的,言語的特徴を活用してマルチモーダルアンサンブルシステムを構築する新しいアーキテクチャを提案する。 時相特性を持つ特殊な人工ニューラルネットワークを使用して、アルツハイマー認知症(AD)とその重症度を検出する。 本システムでは,AD分類では最先端試験精度,精度,リコール,F1スコアが83.3%,MMSEスコア評価では4.60の最先端試験根平均二乗誤差(RMSE)が得られた。
  論文  参考訳（メタデータ） (2020-08-30T21:47:26Z)
• Tensorizing GAN with High-Order Pooling for Alzheimer's Disease Assessment [38.936005220639316]
  軽度認知障害 (MCI) とアルツハイマー病 (AD) を評価するために, 高次プールを用いた新しいテンソル化GANを提案する。 GAN(THS-GAN)は,MRI画像によるAD診断の分類を行う最初の試みである。
  論文  参考訳（メタデータ） (2020-08-03T10:04:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。