基于神经心理测试的XGBoost在MCI亚型分类中的应用

目的利用神经心理测试,构建机器学习模型,对轻度认知障碍(mild cognitive impairment,MCI)亚型(Ⅰ型-单认知域遗忘型,Ⅱ型-多认知域遗忘型,Ⅲ型-单认知域非遗忘型,Ⅳ型-多认知域非遗忘型)进行分类,促进MCI亚型早期识别、干预和个性化治疗。方法数据来源于NACC公共数据库,Ⅰ型469人,Ⅱ型538人,Ⅲ型262人,Ⅳ型274人。神经心理测试包括学习记忆、语言功能、注意力、执行功能和蒙特利尔认知评估量表。采用随机森林填补缺失值,利用弹性网络选择不同MCI亚型的最佳特征,将这些特征输入极限梯度提升(extreme gradient boosting,XGBoost)对MCI亚型进行分类,并将分类效果与K-近邻(k-nearest neighbor,KNN)、支持向量机(supper vector machine,SVM)、随机森林(random forest,RF)进行比较。评价指标包括准确率、灵敏度、特异度、F1-score、G-means、AUC以及阳性/阴性临床效用指数(CUI+/CUI-)。结果除Ⅰ/Ⅱ型MCI,4个模型对其他MCI亚型分类准确率均大于80%;除灵敏度和CUI-,XGBoost模型整体分类性能优于其他3个模型;除KNN,其他3个模型临床效用指标均大于0.49,且XGBoost对Ⅰ/Ⅲ、Ⅰ/Ⅳ型分类临床效用大于0.81;XGBoost分类aMCI/naMCI及Ⅰ/Ⅲ型MCI时,最重要的分类特征为延迟10~15min后复现本森图(UDSBENTD),分类Ⅰ/Ⅱ型MCI及Ⅰ/Ⅳ型MCI时,最重要的分类特征为连线B完成总时间(TRAILB)。结论基于神经心理测试的XGBoost对MCI亚型分类性能较好,相较于经典的机器学习模型有所提升,有实际应用价值。