Resumen

La enfermedad de Alzheimer es una enfermedad neurodegenerativa progresiva que se da sobre todo en personas mayores y cuyo principal síntoma clínico es el deterioro de la memoria. No existe un tratamiento ideal para la enfermedad de Alzheimer, por lo que es importante la prevención precoz. En este trabajo, utilizamos información estructural cerebral para diagnosticar los rasgos de la enfermedad de Alzheimer y las características cognitivo-conductuales, lo que es importante para el diagnóstico precoz y preciso del deterioro cognitivo leve. Para investigar los factores que influyen en la enfermedad de Alzheimer, se desarrolló un modelo de análisis de correlación tras preprocesar los valores perdidos de los datos. En primer lugar, se visualizaron las características de los datos, se analizaron los valores perdidos de los datos, se eliminaron las características inútiles y se rellenaron los valores perdidos de las características restantes con el valor medio. Para verificar la exactitud del modelo de diagnóstico inteligente y del modelo de agrupación subsiguientes, este documento divide el conjunto de entrenamiento y el conjunto de prueba según PTID. Por último, se seleccionan las diez características más importantes y se eligen los coeficientes de Spearman según la distribución de las características para el análisis de correlación. Se utilizaron métodos de aprendizaje automático para construir un modelo de clasificación de la enfermedad de Alzheimer con el fin de resolver el problema del diagnóstico inteligente de la enfermedad de Alzheimer. El conjunto de datos preprocesados en el artículo anterior se entrenó con el modelo, y se utilizaron cinco métodos de regresión logística, máquina de vectores de soporte, clasificación KNN, clasificación de árbol de decisión y XGB para construir el modelo de clasificación, y se visualizaron y compararon la precisión, la recuperación y el valor F1 de cada modelo, entre los cuales la precisión del modelo XGB alcanzó el 83%, lo que es razonable para el diagnóstico inteligente de la enfermedad. Se estableció un modelo de agrupación basado en K-Means para los tipos de enfermedad utilizando el algoritmo de agrupación K-Means, agrupando CN, MCI y AD en tres clases principales, y luego refinando MCI en tres subclases. Los valores K óptimos y las semillas aleatorias se encontraron en primer lugar utilizando el principio del codo, luego se realizó el análisis de conglomerados utilizando los valores de las características y los conjuntos de datos seleccionados tras el preprocesamiento, y finalmente se extrajo el DCL en DCL y se subclasificó en tres subclases SMC, EMCI y LMCI.

• Materias:Acetamida
• Subjects:Acetamida
• Palabras claves:Enfermedad de Alzheimer; Aprendizaje automático; Algoritmo XGB; Agrupamiento K-Means
• Keywords:Alzheimers disease; Machine learning; XGB algorithm; K-Means clustering