6 总结与展望
6.1 总结
随着计算机技术和人工智能的快速发展和其在医疗领域的应用逐渐深入，智慧医疗方向越来越被研究人员及社会所关注。阿尔兹海默症病因复杂且隐秘，社会危害极大。随着我国的人口老年化问题不断加剧，该疾病会对社会经济造成巨大的损失。目前的医疗手段和药物无法针对该疾病进行根治，但能够通过在疾病早期对患者进行干预治疗，以延缓阿尔兹海默症的恶化进程。本文解决的就是阿尔兹海默症的早期诊断和筛查问题，并围绕该问题开展了以下三个方面的研究工作：
（1）本文提出了一种基于 Trusted-LGBM 的早期 AD 病变趋势预测模型。该模型基于 GBDT 算法，使用多棵回归树在不断迭代中逼近最优的损失函数。本文在此基础上根据 ADNI 公开数据集的特点，对受试者原始纵向数据进行空值填充与特征变换，并提出样本权重的概念对模型进行改进以解决模型输入的不确定性问题，同时采用 K-means 聚类算法对模型输入进行增强。实验表明，本文的改进方法针对早期 AD 病变趋势预测问题有着良好的效果，相比于使用其他模型的对照组，该模型拥有最高的 F1-score（0.784）和 AUC 值（0.91）。
（2）本文在前一项工作的基础上分析了该模型在实际应用场景中存在的不足，针对输入数据的易获取性和输出结果的细化问题分别提出了递进式预测模型和进展型患者病程预测模型。递进式预测模型对原一次性输入的受试者数据分阶段进行了拆分，并按照数据获取的难易程度确定每个阶段所包含的输入，选择最易于获取的认知测试得分数据作为第一阶段预测的输入，三个预测阶段的输入属性数量逐步增加，属性越多，该阶段的预测准确率越高。而进展型患者病程预测模型则是在递进式预测模型的基础上，通过在每个阶段的训练集中提取出进展型患者并将其恶化为 AD 的病程作为新的标签训练而成，使用该模型能够对被判别为进展型的患者进行更加量化的评估，即预测患者的病程，该预测结果可作为医生或研究人员选择干预措施时的参考。
参考文献（略）
