Predicting Alzheimer's Disease Using a Modified Grey Wolf Optimizer and Support Vector Machine
Notice bibliographique
Résumé
Alzheimer's Disease (AD), which is left untreated, is the primary cause of neurodegenerative dementia, which primarily affects those over 65.Memory and thought processes are gradually disrupted by the irreversible brain disruption and, eventually, the capacity to fulfil simple tasks.Detecting AD early prevents its progression and diminishes its signs.The study aimed to build a classification model that might predict the early stages of Alzheimer's disease using accurate early-stage gene expression data from blood obtained from a clinical Alzheimer's dataset.The datasets used in this work were gathered from the Gene Expression Omnibus (GEO) and are GSE63060 and GSE63061.It has the right rows for (569 samples) and columns for (16382 genes).The suggested GWO gene selection method aims to identify the ideal feature subset for medical data.A model for predicting early Alzheimer's disease is proposed based on the modified Grey Wolf Optimizer and Support Vector Machine (GWO-SVM).These methods will help reduce the number of trivial and redundant genes in the original datasets.We attained an accuracy of 82%-88% using only the Support Vector Machine method.When we utilized several evolutionary algorithms to implement gene selection, we observed an increase in accuracy of 6%-11%, with modified Grey Wolf optimization with Crossover (CGWO) called the proposed algorithm (CGWO-SVM) achieving the highest accuracy of (97.41%) with the Alzheimer's disease dataset in comparison to the other competitive schemes in the existing literature.Thus, the proposed system is suitable for picking more accurate classification and interesting genes to increase classification accuracy while decreasing gene dimensions.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».