机构名称：
¥ 2.0
轻度认知障碍（MCI）是一种疾病，其特征是认知能力下降，特别是在记忆，语言和注意力方面，这超出了由于正常衰老而预期的。检测MCI对于提供适当的干预措施并减慢痴呆症的进展至关重要。使用时间到事件数据有几种预测的自动化预测算法，但是尚不清楚哪个最好预测与MCI相关的时间。如果训练权重较少的算法较少准确，也存在混乱。我们比较了三种算法，从较小到大的训练权重：统计预测模型（COX比例危害模型，Coxph），机器学习模型（随机生存森林，RSF）和深度学习模型（DeepSurv）。要比较不同方案的算法，我们基于ALZ-HEIMER NACC数据集创建了一个模拟数据集。我们发现，在所有模拟场景中，Coxph模型都是表现最佳的模型之一。在较大的样本量（n = 6,000）中，深度学习算法（DeepSurv）表现出与Coxph模型（73％）的可比精度（73.1％）。过去，忽略Coxph模型中的异质性，得出的结论是，深度学习方法是优越的。我们发现，在使用异质性的Coxph模型时，其准确性与DeepSurv和RSF相当。此外，当存在未观察到的异质性时，例如训练中缺少特征，所有三个模型的准确性都相似。这项仿真研究表明，在某些应用中，具有较小训练权重的算法并不是在准确性方面处于不利地位。由于权重较少的算法本质上更容易解释，因此该研究可以帮助艺术智能研究开发一种原则性的方法来比较统计，机器学习和深度学习算法，以实现时间预测。
比较统计，机器学习的性能...
主要关键词
相关文件推荐
