Модель XGBoost выявила болезнь Альцгеймера с точностью 94% по рутинным клиническим тестам
Новый алгоритм машинного обучения позволяет с высокой точностью диагностировать три стадии болезни Альцгеймера по стандартным клиническим показателям. Разработка основана на методе XGBoost и использует всего восемь признаков из базы Alzheimer's Disease Neuroimaging Initiative (ADNI).
В выборку вошли 1 641 человек: 608 с нормальным когнитивным статусом, 767 с лёгкими когнитивными нарушениями (MCI) и 266 с подтверждённой болезнью Альцгеймера (AD). Для обучения модели применялись такие показатели, как MMSE (краткая шкала оценки психического статуса), CDR Global (клиническая рейтинговая шкала деменции), CDR Sum of Boxes (CDR-SB), MoCA (Монреальская когнитивная оценка), FAQ (функциональная оценка), возраст, пол и уровень образования.
На пятикратной кросс-валидации средний макро-AUC составил 0,983 (SD 0,007), точность — 0,944 (SD 0,006), макро-F1 — 0,929 (SD 0,008). На отложенной тестовой выборке из 247 человек модель показала макро-AUC 0,982 (95% ДИ: 0,965–0,995), точность 0,943, сбалансированную точность 0,932, макро-F1 0,927 и коэффициент каппа Коэна 0,909.
Интерпретируемость модели обеспечивается за счёт SHAP-анализа. Он показал, что CDR Global является главным предиктором для нормального статуса и MCI, тогда как комбинация CDR-SB и MMSE наиболее значима при классификации болезни Альцгеймера. Такая клинически обоснованная кластерная важность признаков подтверждает валидность модели.
Исследователи отмечают, что будущая работа будет направлена на включение речевых биомаркеров для мультимодальной диагностики. Полученные результаты уже сейчас демонстрируют возможность создания доступного и объяснимого инструмента скрининга болезни Альцгеймера на основе рутинных клинических данных.
