阿尔兹海默症是一种常出现老年群体中的神经性脑疾病,是全球第四大死亡原因。我国2019年的研究显示,中国老年人群痴呆患病率接近6%,约有1000-1100万人正在经受着疾病带来的痛苦,一项2019年的研究显示,预计在不久的将来发病总人数会有显著增加。阿尔兹海默症病症情况较多且复杂,诊断需要大量的检查,检查费用高昂,另外还存在我国人民群众对医疗需求日益加深和医疗资源分配不均之间的矛盾,因此阿尔兹海默症在诊断阶段上会遇到许多困难。根据资料调查显示,我国的阿尔兹海默症患者诊断时超过半数的人都已经是中重度患者,而阿尔兹海默症越早治疗康复起来就越快,因此如何早期诊断出阿尔兹海默症具有重要研究意义。近几年来,人工智能在医疗领域发挥了重要意义。医学辅助诊断能够通过机器学习方法对医学影像进行识别,这样可以快速发现病症所在,提高医疗效率。因此将阿尔兹海默症诊断诉诸于人工智能,通过机器学习算法实现智慧辅助诊疗,就能够在一定程度上提前诊断出阿尔兹海默症,使得患者在病情早期阶段就能被诊断,大大提高了治愈率。综上,本文基于以上阿兹海默症受众广、危害大、诊断复杂的背景出发,使用ADNI数据库中的生物标志物、人口统计学、认知评估等数据,利用多种机器学习算法实现阿尔兹海默症的病情诊断预测。以下为本文的研究框架。首先对数据进行哑变量处理、归一化后再进行构建模型。在正式建模之前,首先选择代价权重比值,用以计算使得模型加权错判率最低的分类阈值,从而降低模型的漏诊率。建模总共分为四个部分。第一部分,使用正则化迭代PCA插补法、随机森林插补法分队对缺失数据集进行插补,得到两个完整的数据集Logistic回归模型。再利用向前选择法,找出对阿尔兹海默症诊断解释力最强的变量。第二部分,利用上述两个插补完成的数据集建立支持向量机模型。第三部分,构建插补法随机森林模型,并给出特征重要性分数。第四部分,利用SAEM法,选择使模型收敛速度最快的参数,一次性完成数据的插补和Logistic回归模型的建立。最后对模型结果进行比较,并给出对于阿尔兹海默症病情诊断解释性强的变量。为减小偶然性带来的建模结果影响,本文将上述过程重复10次,用10次建模得到的平均准确率、精确率、灵敏度、特异度、AUC等指标进行模型间的比较。结果显示,预测能力最好的模型的AUC值能够达到98.05%,准确率和召回率分别可以达到91.62%和98.78%。