Alzheimer's disease

4 items

RESEARCHarXiv CS.AI·vor 20Std

Reconstructing and forecasting disease trajectories of patients with Alzheimer's disease using routine data in resource-constrained settings

Diese Forschung zielt darauf ab, Krankheitsverläufe von Alzheimer-Patienten mithilfe von Routinedaten in ressourcenbeschränkten Umgebungen zu rekonstruieren und vorherzusagen. Es wird ein einheitliches Framework für die bidirektionale Vorhersage kognitiver Scores aus unregelmäßigen Besuchen vorgeschlagen, das Interpolation und Extrapolation ermöglicht und kalibrierte Unsicherheitsschätzungen liefert.

forecasting disease progression Alzheimer's disease predictive modeling

RESEARCHarXiv CS.LG·vor 5T

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

Ein XGBoost-Klassifikator wurde unter Verwendung klinischer Merkmale aus dem ADNI-Datensatz zur Mehrklassen-Erkennung von normaler Kognition, leichter kognitiver Beeinträchtigung und Alzheimer-Krankheit entwickelt. Das Modell erreichte einen hohen mittleren Makro-AUC von 0,983 und eine Genauigkeit von 0,944, wobei SHAP-Werte die Merkmalserklärbarkeit lieferten.

machine learning Alzheimer's disease Explainable AI XGBoost

RESEARCHarXiv CS.LG·5/7/2026

Investigating Trustworthiness of Nonparametric Deep Survival Models for Alzheimer's Disease Progression Analysis

Diese Forschung untersucht die Vertrauenswürdigkeit und Fairness nichtparametrischer tiefer Überlebensmodelle zur Analyse des Fortschreitens der Alzheimer-Krankheit (AD). Sie befasst sich mit dem Mangel an Studien, die gelernte Verzerrungen in bestehenden Deep-Learning-Modellen für AD berücksichtigen, und schlägt neue Fairness-Metriken vor, um zuverlässige Vorhersagen zu gewährleisten.

deep learning Alzheimer's disease survival analysis medical AI

RESEARCHarXiv CS.LG·vor 21T

Forecasting Medium-Horizon Alzheimer's Disease Progression: Residual Gap-Aware Transformers for 24-Month CDR-SB Change from ADNI Clinical and Biomarker Histories

Dieser Artikel stellt einen residualen lückenbewussten Transformator zur Vorhersage des 24-monatigen Fortschreitens der Alzheimer-Krankheit mittels ADNI-Klinik- und Biomarker-Historien vor. Die Forschung analysiert Änderungen der CDR-SB-Werte, wobei Proben bei Besuchen mit leichter kognitiver Beeinträchtigung verankert werden.

Biomarkers machine learning Alzheimer's disease Medical Diagnosis