随着人口老龄化趋势的加快，建立预测阿尔茨海默氏病（AD）的模型至关重要。 在本文中，我们对1157名受访者进行了调查。 通过使用三种机器学习方法（BP神经网络，SVM和随机森林）分析结果，我们可以得出它们在AD预测中的准确性，以便我们可以比较解决AD预测的方法。 其中，随机森林是最准确的方法。 此外，为了结合这些方法的优势，我们基于这三种机器学习模型构建了一个新的组合预测模型，事实证明，该模型比单独的模型更准确。 最后，我们总结了生活方式与AD之间的联系，并为老年人提供了一些建议，以帮助他们预防AD。

该存储库包含一个软件框架，用于使用多模式MRI和来自三个可公开获得的数据集 ， 和PET数据对阿尔茨海默氏病（AD）进行自动分类的可重现机器学习实验。 它由开发。 在目录中，有数据转换，预处理和分类任务的示例，这些示例说明了如何使用的不同功能。 此代码依赖于Clinica的最新发行版本。 如果您有兴趣访问包含使用Clinica的实验代码和我们的论文结果的代码库，请转到相应论文的分支： 引用这项工作 如果您使用此软件，请引用： J.Samper-Gonzalez，N.Burgos，S.Bottani，S.Fontanella，P.Lu，A.Marcoux，A.Routier，J.Guill

使用3D卷积神经网络和磁共振成像的早期识别阿尔茨海默氏病

阿尔茨海默氏症检测 机器学习模型来检测阿尔茨海默氏病

与传统的基于单模式的方法相比，它在诊断和预后阿尔茨海默氏病（AD）以及其前驱阶段（即轻度认知障碍（MCI））方面显示出巨大的优势。 然而，据我们所知，大多数现有方法都集中于挖掘同一主题的多种模式之间的关系，而忽略了不同主题之间的潜在有用关系。 因此，在本文中，我们将通过全面研究模态与主题之间的关系，为AD / MCI的多模态分类提出一种新颖的学习方法。 具体来说，我们提出的方法包括两个后续组件，即标签对齐的多任务特征选择和多模式分类。 在第一步中，将从多种模态中学习的特征选择视为不同的学习任务，并使用组稀疏性正则化器共同选择相关特征的子集。 此外，为了利用标记对象之间的区别信息，在标准多任务特征选择的目标函数中添加了一个新的标签对齐正则化术语，其中标签对齐意味着所有具有相同类别标签的多模态对象应在距离上更近。新的功能减少的空间。 第二步，采用多核支持向量机（SVM）融合多模态数据中的选定特征，以进行最终分类。 为了验证我们的方法中，我们执行在阿尔茨海默病的神经影像学倡议（ADNI）数据库使用基线MRI和FDG-PET成像数据的实验。 实验结果证明我们提出的方法与几种用于AD / MCI