Neues Ensemble-Framework liefert erklärbare Alzheimer‑Diagnose aus Daten

Die frühzeitige und genaue Erkennung von Alzheimer bleibt eine der größten Herausforderungen in der Medizin. Ein neues, erklärbares Ensemble-Framework adressiert dieses Problem, indem es strukturierte klinische, lebensstilbezogene und metabolische Daten nutzt, um Personen zuverlässig als Alzheimer‑ oder Nicht‑Alzheimer‑Patienten zu klassifizieren.

Der Ansatz beginnt mit einer sorgfältigen Vorverarbeitung und fortgeschrittener Feature‑Engineering‑Techniken. Anschließend wird ein hybrides SMOTE‑Tomek‑Balancing eingesetzt, um das Ungleichgewicht der Klassen zu korrigieren. Für die Modellierung werden fünf Ensemble‑Algorithmen – Random Forest, XGBoost, LightGBM, CatBoost und Extra Trees – sowie ein tiefes neuronales Netzwerk kombiniert.

Die Auswahl des besten Modells erfolgt über eine stratifizierte Validierung, die Datenlecks verhindert. Das ausgewählte Modell wird anschließend auf einem vollständig unveränderten Testset evaluiert. Die Ergebnisse zeigen, dass Ensemble‑Methoden die Leistung von Deep‑Learning-Modellen übertreffen. Besonders XGBoost, Random Forest und Soft‑Voting erzielen die höchsten Werte in Genauigkeit, Sensitivität und F1‑Score.

Zur Erklärbarkeit kommen SHAP‑Analysen und Feature‑Importance‑Methoden zum Einsatz. Dabei werden MMSE, das Alter bei der funktionellen Bewertung und mehrere erstellte Interaktionsfeatures als die wichtigsten Determinanten identifiziert. Diese Transparenz macht das Framework zu einem vertrauenswürdigen Werkzeug für die klinische Entscheidungsunterstützung.

Insgesamt demonstriert die Studie, dass ein erklärbares Ensemble‑Framework eine zuverlässige und nachvollziehbare Methode zur Alzheimer‑Vorhersage darstellt und erhebliches Potenzial für die praktische Anwendung in der klinischen Praxis bietet.