ДИАГНОСТИКА БОЛЕЗНИ АЛЬЦГЕЙМЕРА: РОЛЬ ПЛАЗМЕННОЙ ЛИПИДОМИКИ И ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Аннотация

Это исследование направлено на использование данных липидомики плазмы и методов машинного обучения для диагностики и анализа прогрессирования болезни Альцгеймера (БА). Набор данных включает 213 образцов плазмы, включая 104 образца болезни Альцгеймера, 89 легких когнитивных нарушений (MCI) и 20 наблюдений, и включает такие параметры, как возраст, пол, баллы по мини-психическому государственному экзамену (MMSE) и биомаркеры спинномозговой жидкости (CSF) (amylau, tahoropos, tahorop). Результаты визуализации показали, что для группы Альцгеймера характерны высокие уровни тау (600-1600 пг/мл) и низкие уровни амилоида (500-1000 пг/мл), а для контрольной группы-низкие уровни биомаркеров. Корреляционная матрица выявила сильную положительную связь тау-белков (0,72) и отрицательную связь между амилоидом и тау (-0,45). Десять моделей машинного обучения были проанализированы, чтобы показать максимальную производительность с дополнительными деревьями (точность 97,7%, оценка 95,4% F1) и Random Forest (точность 93%, оценка 91,9% F1). Модель Naive Bayes достигла 100% точности, а логистическая регрессия показала самую низкую производительность с точностью 62,8%. Эффективность ансамблевых моделей подтвердила их преимущество в обработке неоднородности данных. Результаты исследования способствуют пониманию связи между метаболизмом липидов и снижением когнитивных функций и могут улучшить стратегии ранней диагностики. Однако дисбаланс данных и небольшой размер выборки ограничивают обобщение моделей, поэтому для будущих исследований потребуются более крупные и сбалансированные наборы данных.