 
                该平台旨在利用常规实验室测试数据和机器学习方法建立识别轻度认知障碍人群是否转换为阿尔兹海默症的模型。我们以香港地区2000~2019年积累的43579例AD患者和4135例MCI受试者的大量人群,以及210个生物标志物为基础,通过集成线性模型、树模型和支持向量机(SVM)等多种机器学习算法,生成集成模型。此外,分析进一步按性别(男性和女性)和年龄(65-74岁,75-89岁)分组,以提高早期筛查AD的准确性。概率表示模型对MCI转化为AD的预测。阈值是0.5。如果模型的概率小于等于0.5,则为MCI。否则为AD。
该平台最少使用5种标志物,最多使用31种标志物(针对不同年龄和性别)。31种生物标志物包括:
1个胆功能项目:总胆红素。
2个肾功能项目:肌酐、尿素。
2个肝功能项目:丙氨酸转氨酶、碱性磷酸酶。
4个微量元素项目:钾、钠、钙、磷酸盐。
6个蛋白项目:白蛋白、球蛋白、总蛋白、血红蛋白、MCH、MCHC。
16个血细胞项目:嗜酸性粒细胞(%)、嗜碱性粒细胞(%)、中性粒细胞(%)、淋巴细胞(%)、单核细胞(%)、嗜酸性粒细胞(绝对值)、淋巴细胞(绝对值)、嗜碱性粒细胞(绝对值)、中性粒细胞(绝对值)、单核细胞(绝对值)、白细胞、红细胞、RDW(%)、MCV、血小板、HCT。
TIPS:红细胞(RBC)、平均红细胞体积(MCV)、平均红细胞血红蛋白(MCH)、平均红细胞血红蛋白浓度(MCHC)、白细胞(WBC)、红细胞分布宽度(RDW)、红细胞压积(HCT)。
@article{cao2024visible,
  title={Visible and Clear: Finding Tiny Objects in Difference Map},
  author={Cao, Bing and Yao, Haiyu and Zhu, Pengfei and Hu, Qinghua},
  journal={arXiv preprint arXiv:2405.11276},
  year={2024}
}
		<pre>
@ARTICLE{Gao22LUSS,
author={Gao, Shanghua and Li, Zhong-Yu and Yang, Ming-Hsuan and Cheng, Ming-Ming and Han, Junwei and Torr, Philip},
title={Large-scale Unsupervised Semantic Segmentation},
journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
year={2023},
volume={45},
number={6},
pages={7457-7476},
doi={10.1109/TPAMI.2022.3218275}
}
</pre>