基于手写分析的阿尔茨海默病分类混合元分类器框架

《Applied Sciences》：A Hybrid Meta-Classifier Framework for Alzheimer’s Disease Classification Using Handwriting Analysis

　　

阿尔茨海默病（Alzheimer’s disease, AD）是一种进行性神经退行性疾病，准确且可及的筛查方法仍是一项重要研究目标。本研究提出了一种基于手写分析的AD分类混合元分类器框架，使用DARWIN（Diagnosis AlzheimeR WIth haNdwriting）数据集，该数据集包含174名参与者，包括89名AD患者和85名健康对照者，并包含来自25项任务的450个手写相关特征。该框架将用于自动特征学习的一维卷积神经网络（one-dimensional convolutional neural network, 1D-CNN）与由XGBoost、支持向量机（support vector machine, SVM）和随机森林分类器组成的异构集成相结合。基础分类器的预测随后由基于AdaBoost的元分类器整合，以生成最终分类决策。该框架实现了汇总交叉验证准确率98.28%，在五个外部折中，平均折水平准确率为97.73 ± 1.27%，精确率为96.90 ± 2.84%，召回率为98.89 ± 2.49%，F1分数为97.84 ± 1.21%，AUC为0.944 ± 0.023。此外，在独立的手写签名队列上的评估实现了91.76%的准确率，敏感性为90.74%，特异性为93.55%。这些结果表明，所提出的框架在所评估的数据集上具有很强的判别能力。然而，在得出关于临床适用性的结论之前，需要在更大、更多样化的独立队列中进行进一步验证。未来工作将研究多模态集成以及可解释人工智能技术的应用，以提高所提出框架的可解释性。

阿尔茨海默病（Alzheimer’s disease, AD）是一种进行性神经退行性疾病，是老年人群中最常见的痴呆原因，临床表现为认知功能渐进性衰退，包括情景记忆丧失、执行功能障碍、语言损害以及视空间和精细运动技能受损。早期诊断面临挑战，因为传统影像学检查如磁共振成像（magnetic resonance imaging, MRI）和正电子发射断层扫描（positron emission tomography, PET）成本高、可及性有限且具有侵入性，难以用于大规模筛查。近年来，手写分析作为一种非侵入性、低成本、可扩展的数字生物标志物受到关注。手写是复杂的心理运动活动，涉及工作记忆、语言处理、注意力、视空间协调、精细运动控制和感觉运动反馈等认知与运动过程，因此手写运动学、动力学及压力模式的细微改变可能反映与AD相关的神经退化。已有研究表明，总书写时间、空中与纸上时间、平均速度与加速度、压力变异性、抖动、震颤指数和空间离散度等特征与AD临床表现相关。然而，现有系统仍存在数据集依赖性强、跨域泛化能力差