Predicting Deterioration in Mild Cognitive Impairment with Survival Transformers, Extreme Gradient Boosting and Cox Proportional Hazard Modelling

要約

この論文は、ADNI コホートのメタボロミクス データを使用して、軽度認知障害 (MCI) を持つ個人の認知機能低下を予測する際の、生存トランスフォーマーと極端な勾配ブースティング モデルの新しいアプローチを提案しています。
提案されたアプローチは、生存分析に適用される高度な機械学習とトランスフォーマーベースの技術を活用することで、アルツハイマー型認知症疾患のより正確な早期発見と介入に対するこれらの技術の可能性を強調しています。
この研究はまた、認知症リスク評価の精度を高め、臨床実践と患者ケアに新たな道を提供するための非侵襲性バイオマーカーと革新的なモデリングツールの重要性を強調しています。
モデルのトレーニングと評価を行うネストされた相互検証を 100 回繰り返すことで構成される包括的なモンテカルロ シミュレーション手順は、Transformer と XGBoost に基づく生存機械学習モデルが最高の平均 C インデックス パフォーマンス、つまり 0.85 と 0.8 を達成したことを示しています。
それぞれ、平均 C-Index 0.77 を達成した従来の生存分析 Cox 比例ハザード モデルよりも優れていることがわかります。
さらに、モンテカルロ シミュレーションで得られた C-Index パフォーマンスの標準偏差に基づいて、上記の両方の生存機械学習モデルが従来の統計モデルよりも安定していることを確認しました。

要約(オリジナル)

The paper proposes a novel approach of survival transformers and extreme gradient boosting models in predicting cognitive deterioration in individuals with mild cognitive impairment (MCI) using metabolomics data in the ADNI cohort. By leveraging advanced machine learning and transformer-based techniques applied in survival analysis, the proposed approach highlights the potential of these techniques for more accurate early detection and intervention in Alzheimer’s dementia disease. This research also underscores the importance of non-invasive biomarkers and innovative modelling tools in enhancing the accuracy of dementia risk assessments, offering new avenues for clinical practice and patient care. A comprehensive Monte Carlo simulation procedure consisting of 100 repetitions of a nested cross-validation in which models were trained and evaluated, indicates that the survival machine learning models based on Transformer and XGBoost achieved the highest mean C-index performances, namely 0.85 and 0.8, respectively, and that they are superior to the conventional survival analysis Cox Proportional Hazards model which achieved a mean C-Index of 0.77. Moreover, based on the standard deviations of the C-Index performances obtained in the Monte Carlo simulation, we established that both survival machine learning models above are more stable than the conventional statistical model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google