Background:There is a need for more reliable diagnostic tools for the early detection of Alzheimer’s disease (AD). This can be a challenge due to a number of factors and logistics making machine learning a viable option. Objective:In this paper, we present on a Support Vector Machine Leave-One-OutRecursive Feature Elimination and Cross Validation (SVM-RFE-LOO) algorithm for use in the early detection of AD and show how the SVM-RFE-LOO method can be used for both classification and prediction of AD. Methods:Data were analyzed on n = 300 participants (n = 150 AD; n = 150 cognitively normal controls). Serum samples were assayed via a multi-plex biomarker assay platform using electrochemiluminescence (ECL). Results:The SVM-RFE-LOO method reduced the number of features in the model from 21 to 16 biomarkers and achieved an area under the curve (AUC) of 0.980 with a sensitivity of 94.0% and a specificity of 93.3%. When the classification and prediction performance of SVM-RFE-LOO was compared to that of SVM and SVM-RFE, we found similar performance across the models; however, the SVM-RFE-LOO method utilized fewer markers. Conclusion:We found that 1) the SVM-RFE-LOO is suitable for analyzing noisy high-throughput proteomic data, 2) it outperforms SVM-RFE in the robustness to noise and in the ability to recover informative features, and 3) it can improve the prediction performance. Our recursive feature elimination model can serve as a general model for biomarker discovery in other diseases.

中文翻译：

---

阿尔茨海默病的递归支持向量机生物标志物选择

背景：需要更可靠的诊断工具来早期检测阿尔茨海默病 (AD)。由于多种因素和物流使机器学习成为可行的选择，这可能是一个挑战。目标：在本文中，我们介绍了一种用于 AD 早期检测的支持向量机留一出递归特征消除和交叉验证 (SVM-RFE-LOO) 算法，并展示了 SVM-RFE-LOO 方法如何能够可用于 AD 的分类和预测。方法：分析了 n = 300 名参与者（n = 150 AD；n = 150 认知正常对照）的数据。使用电化学发光 (ECL) 通过多重生物标志物检测平台检测血清样品。结果：SVM-RFE-LOO 方法将模型中的特征数量从 21 个减少到 16 个生物标志物，曲线下面积 (AUC) 为 0.980，灵敏度为 94.0%，特异性为 93.3%。当将 SVM-RFE-LOO 的分类和预测性能与 SVM 和 SVM-RFE 的分类和预测性能进行比较时，我们发现模型之间的性能相似；然而，SVM-RFE-LOO 方法使用的标记较少。结论：我们发现 1）SVM-RFE-LOO 适用于分析嘈杂的高通量蛋白质组数据，2）它在对噪声的鲁棒性和恢复信息特征的能力方面优于 SVM-RFE，3）它可以提高预测性能。我们的递归特征消除模型可以作为其他疾病中生物标志物发现的通用模型。当将 SVM-RFE-LOO 的分类和预测性能与 SVM 和 SVM-RFE 的分类和预测性能进行比较时，我们发现模型之间的性能相似；然而，SVM-RFE-LOO 方法使用的标记较少。结论：我们发现 1）SVM-RFE-LOO 适用于分析嘈杂的高通量蛋白质组数据，2）它在对噪声的鲁棒性和恢复信息特征的能力方面优于 SVM-RFE，3）它可以提高预测性能。我们的递归特征消除模型可以作为其他疾病中生物标志物发现的通用模型。当将 SVM-RFE-LOO 的分类和预测性能与 SVM 和 SVM-RFE 的分类和预测性能进行比较时，我们发现模型之间的性能相似；然而，SVM-RFE-LOO 方法使用的标记较少。结论：我们发现 1）SVM-RFE-LOO 适用于分析嘈杂的高通量蛋白质组数据，2）它在对噪声的鲁棒性和恢复信息特征的能力方面优于 SVM-RFE，3）它可以提高预测性能。我们的递归特征消除模型可以作为其他疾病中生物标志物发现的通用模型。我们发现 1）SVM-RFE-LOO 适用于分析嘈杂的高通量蛋白质组数据，2）它在对噪声的鲁棒性和恢复信息特征的能力方面优于 SVM-RFE，3）它可以提高预测性能。我们的递归特征消除模型可以作为其他疾病中生物标志物发现的通用模型。我们发现 1）SVM-RFE-LOO 适用于分析嘈杂的高通量蛋白质组数据，2）它在对噪声的鲁棒性和恢复信息特征的能力方面优于 SVM-RFE，3）它可以提高预测性能。我们的递归特征消除模型可以作为其他疾病中生物标志物发现的通用模型。