Wrappers Feature Selection in Alzheimer's Biomarkers Using kNN and SMOTE Oversampling
Notice bibliographique
Résumé
Biomarkers are a characteristic that is objectively measured and eval-uated as an indicator of normal biological processes, pathogenic processes or phar-macological responses to a therapeutic intervention. The combination of dierentbiomarker modalities often allows an accurate diagnosis classication. In Alzheimer'sdisease (AD), biomarkers are indispensable to identify cognitively normal individ-uals destined to develop dementia symptoms. However, using the combination ofcanonical AD biomarkers, studies have repeatedly shown poor classication ratesto dierentiate between AD, mild cognitive impairment and control individuals.Furthermore, the design of classiers to access multiple biomarker combinationsincludes issues such as imbalance classes and missing data. Since the numberbiomarker combinations is large then wrappers are used to avoid multiple com-parisons. Here, we compare the ability of three wrappers feature selection methodsto obtain biomarker combinations which maximize classication rates. Also, ascriterion to the wrappers feature selection we use the k-nearest neighbor classi-er with balance aids, random undersampling and SMOTE. Overall, our analysesshowed how biomarkers combinations aects the classier accuracy and how imbal-ance strategy improve it. We show that non-dening and non-cognitive biomarkershave less accuracy than cognitive measures when classifying AD. Our approach sur-pass in average the support vector machine and the weighted k-nearest neighborsclassiers and reaches 94.34 ± 3.91% of accuracy reproducing class denitions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».