論文の概要: Early Detection of Alzheimer's Disease Using Explainable Machine Learning on Clinical Biomarkers: A Multi-Class Classification Study Using the Alzheimer's Disease Neuroimaging Initiative (ADNI) Dataset
- arxiv url: http://arxiv.org/abs/2606.03995v1
- Date: Tue, 14 Apr 2026 10:54:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 07:09:36.61112
- Title: Early Detection of Alzheimer's Disease Using Explainable Machine Learning on Clinical Biomarkers: A Multi-Class Classification Study Using the Alzheimer's Disease Neuroimaging Initiative (ADNI) Dataset
- Title（参考訳）: 臨床バイオマーカーを用いた機械学習によるアルツハイマー病早期発見:アルツハイマー病神経イメージングイニシアチブ(ADNI)データセットを用いた多クラス分類
- Authors: Afshan Hashmi,
- Abstract要約: アルツハイマー病は世界中で5500万人以上に影響している。
定期的な臨床評価に基づいてトレーニングされた機械学習モデルは、ほぼ完全な3クラスアルツハイマーの検出を実現する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Background: Alzheimer's disease (AD) affects over 55 million people worldwide. Accurate, interpretable detection of normal cognition (NC), mild cognitive impairment (MCI), and AD from routine clinical assessments remains a critical unmet need. Methods: An XGBoost classifier was developed for three-class detection using eight clinical features from the Alzheimer's Disease Neuroimaging Initiative (ADNI): MMSE, CDR Global, CDR Sum of Boxes (CDR-SB), MoCA, FAQ, age, sex, and education. Hyperparameters were optimised using Optuna (50 trials); class imbalance was addressed with SMOTE. Performance was evaluated by macro AUC-ROC with 1,000-iteration bootstrap 95% confidence intervals, macro F1, balanced accuracy, and Cohen's kappa. SHAP values provided feature-level explainability. Results: The dataset comprised 1,641 baseline subjects (608 NC, 767 MCI, 266 AD). On five-fold cross-validation, mean macro AUC was 0.983 (SD 0.007), accuracy 0.944 (SD 0.006), and macro F1 0.929 (SD 0.008). On the held-out test set (n = 247), macro AUC was 0.982 (95% CI: 0.965--0.995), accuracy 0.943, balanced accuracy 0.932, macro F1 0.927, and Cohen's kappa 0.909. SHAP analysis identified CDR Global as the dominant predictor for NC and MCI, while CDR-SB and MMSE together drove AD classification. Conclusion: An explainable machine learning model trained on routine clinical assessments achieves near-perfect three-class Alzheimer's detection. SHAP analysis reveals clinically plausible, class-specific feature importance patterns supporting clinical validity. Future work will extend this framework with speech biomarkers for multimodal detection.
- Abstract（参考訳）: 背景:アルツハイマー病(AD)は世界中で5500万人以上に影響を与える。
正常認知(NC)、軽度認知障害(MCI)、ADを日常的な臨床評価から正確に、解釈可能な検出は、依然として重要な未解決の課題である。
方法: アルツハイマー病神経画像イニシアチブ(ADNI)の8つの臨床特徴(MMSE, CDR Global, CDR Sum of Boxes (CDR-SB), MoCA, FAQ, 年齢, 性別, 教育)を用いて,XGBoost分類器を開発した。
ハイパーパラメータはオプトゥーナ(50トライアル)で最適化され、クラス不均衡はSMOTEで対処された。
評価はマクロAUC-ROCで,1000項目のブートストラップで95%の信頼区間,マクロF1,バランスの取れた精度,コーエンのカッパで行った。
SHAPは機能レベルの説明可能性を提供する。
結果: 被験者は1,641名(NC608名, MCI767名, AD266名)であった。
5倍のクロスバリデーションでは平均マクロAUCは0.983 (SD 0.007),精度0.944 (SD 0.006),マクロF1 0.929 (SD 0.008)であった。
ホールドアウトテストセット(n = 247)では、マクロAUCは0.982(95% CI: 0.965--0.995)、精度0.943、バランスの取れた精度0.932、マクロF1 0.927、Cohenのカッパ0.909であった。
SHAP分析ではCDR GlobalがNCとMCIの主要な予測因子であり,CDR-SBとMMSEはAD分類を推進した。
結論: 定期的な臨床評価に基づいてトレーニングされた説明可能な機械学習モデルは,ほぼ完全な3段階のアルツハイマー検出を実現する。
SHAP分析は臨床的に有用で、臨床的妥当性を支持するクラス固有の特徴重要パターンを明らかにする。
今後、このフレームワークをマルチモーダル検出のための音声バイオマーカーで拡張していく予定である。
関連論文リスト
- A Pathology Foundation Model for Gastric Cancer with Real-World Validation [47.19073124722865]
本稿では,実世界評価と臨床dEcision支援のための,胃科固有の基礎モデルであるGRACEについて述べる。
GRACEは, 症例37,493例のHE-stained whole-slide画像を中心に, 48,364例の多施設で開発された。
高齢の病理医に非劣性パフォーマンスを維持するように調整された場合、AI支援のワークフローは萎縮の60.7%、腸転移の82.7%をトリアージする可能性がある。
論文 参考訳（メタデータ） (2026-06-03T12:18:06Z) - PulmoVec: A Two-Stage Stacking Meta-Learning Architecture Built on the HeAR Foundation Model for Multi-Task Classification of Pediatric Respiratory Sounds [0.0]
PulmoVecは、小児呼吸音の分類のためのマルチタスクフレームワークである。
事象レベルの音響表現型と患者レベルの臨床分類を結びつける。
論文 参考訳（メタデータ） (2026-03-15T21:13:47Z) - CytoDINO: Risk-Aware and Biologically-Informed Adaptation of DINOv3 for Bone Marrow Cytomorphology [0.0]
我々はミュンヘン白血病研究所のデータセット上で最先端のパフォーマンスを実現するフレームワークであるCytoDINOを紹介した。
私たちの主な貢献は、細胞間の生物学的な関係をコード化し、臨床的に危険な誤分類を明示的に罰する、ヒエララルカル・フーカル・ロス・ウィット・クリティカル・ペナルティ(Hierarchical Focal Loss with critical penalties)である。
CytoDINOは21種類のテストセットで88.2%の重み付きF1スコアと76.5%のマクロF1を達成している。
論文 参考訳（メタデータ） (2025-12-09T23:09:22Z) - NeuroRAD-FM: A Foundation Model for Neuro-Oncology with Distributionally Robust Training [12.168374910250572]
既存の基礎モデル(FM)は、異常な分子マーカーを予測するのに不十分である。
我々は,腫瘍の表現型を正確に推定できる分布的ロバストな損失関数を有する神経腫瘍学特異的FMを開発した。
CUIMC 0.592 から 0.597 に、UPenn 0.647 から 0.672 に、UCSF 0.600 から 0.627 に改良された。
論文 参考訳（メタデータ） (2025-09-18T20:43:08Z) - Peptidomic-Based Prediction Model for Coronary Heart Disease Using a Multilayer Perceptron Neural Network [0.0]
冠動脈心疾患(CHD)は、世界中で死因の主要な疾患であり、毎年の医療費に大きく貢献する。
非侵襲的な診断手法を開発するために,マルチ層パーセプトロン(MLP)ニューラルネットワークに基づくモデルを構築した。
このモデルは95.67パーセントの精度、感度、特異性を達成し、F1スコアは0.9565である。
論文 参考訳（メタデータ） (2025-09-04T04:54:02Z) - Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。
評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文 参考訳（メタデータ） (2025-05-23T14:06:42Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。
我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
論文 参考訳（メタデータ） (2024-01-29T12:56:11Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - A Scalable Workflow to Build Machine Learning Classifiers with
Clinician-in-the-Loop to Identify Patients in Specific Diseases [10.658425378457363]
臨床医は、EHR(Electronic Health Records)から疾患のある患者を識別するために、ICD(International Classification of Diseases)などの医療コーディングシステムを利用することができる。
近年の研究では、ICD符号は、実際の臨床実践において特定の疾患に対して、患者を正確に特徴づけることができないことが示唆されている。
本稿では,構造化データと非構造化テキストノートの両方を,NLP,AutoML,Cysian-in-the-Loop機構などの技術で活用するスケーラブルなワークフローを提案する。
論文 参考訳（メタデータ） (2022-05-18T12:24:07Z)
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。