Bringing medical advances from the lab to the clinic.
近日，Hafiz Ahmed Raza 等研究学者在期刊 Scientific Reports 上发表题为 A proficient approach for the classification of Alzheimer’s disease using a hybridization of machine learning and deep learning 的研究论文【2】。研究成功开发了一种结合传统机器学习和深度学习模型的混合方法。在AD与认知正常（CN）以及轻度认知障碍稳定期（sMCI）与进展期（pMCI）的分类中表现出色，准确率分别达到91.84%和80.85%，优于现有方法。
在AD与CN（阿尔茨海默病与认知正常）的分类中，准确率达91.84%。 在sMCI与pMCI（轻度认知障碍稳定期与进展期）的分类中，准确率达80.85%。
精确度（Precision）：在AD与CN分类中，精确度达到了93.48%；在sMCI与pMCI分类中，精确度达到了80%。 召回率（Recall）：在AD与CN分类中，召回率达到了89.58%；在sMCI与pMCI分类中，召回率达到了88.88%。 F1分数（F1 Score）：在AD与CN分类中，F1分数达到了91.49%；在sMCI与pMCI分类中，F1分数达到了84.21%。 特异性（Specificity）：在AD与CN分类中，特异性达到了94%；在sMCI与pMCI分类中，特异性达到了70%。
本研究在AD与CN的分类中，准确率高于之前的所有研究。在sMCI与pMCI的分类中，本研究的准确率也是最高的。 与传统的支持向量机（SVM）方法相比，本研究的混合方法在处理复杂的非线性模式时表现更好，尤其是在不需要显式选择核函数的情况下。
临床意义和科研启发：
本研究通过混合机器学习和深度学习方法，显著提升了AD的早期检测和分类准确率，有利于更早识别AD患者，及时干预，改善生活质量。科研上，为处理复杂医学数据提供了新思路，强调了数据预处理和特征工程的重要性，为医学人工智能发展提供启示。
运营：美国Healsan咨询公司AD项目组，专注于临床科研及临床试验的服务公司，擅长于针对阿尔茨海默病的临床科研设计及临床试验结果的报告撰写。
网址：https://healsan.com/
(投稿或商务合作，请联系：healsana)
