본 연구는 임상 데이터, 신경심리 검사 점수, 뇌 영상 데이터를 활용해 딥러닝 모델로 알츠하이머병 조기 진단을 시도했어요.
알츠하이머병 데이터 세트의 결측치는 반복적 보정법으로 채우고, 클래스 불균형은 Borderline SVM-SMOTE로 해결했어요.
래퍼 기반 및 임베디드 방법을 사용해 특징을 선택하고, 로지스틱 회귀, 엑스트라 트리, 배깅 KNN, LightGBM을 기반으로 스태킹 앙상블 모델을 개발했어요.
제안된 모델의 성능을 정밀도, 재현율, F1 점수, AUC-ROC로 비교하고, 알츠하이머병 조기 진단에 도움이 되는 주요 바이오마커를 식별하는 것을 목표로 해요.