阿尔茨海默病诊断预测系统

🧠 阿尔茨海默病诊断预测系统 🩺

一家医疗机构希望开发一个自动化系统，帮助
识别阿尔茨海默病高风险患者，使用临床、
人口统计学和行为数据。

你收到了一个经过临床评估的患者数据集，目标是构建一个
二元分类模型，能够预测新患者的诊断。

为你提供了以下文件：

• train.csv – 包含诊断的患者历史数据
• test.csv – 不含诊断的新患者数据

主要目标：预测患者被诊断为阿尔茨海默病的概率
（值在 0 和 1 之间，其中 0 = 健康患者，1 = 阿尔茨海默病患者）。

📊 数据集

每行代表一个患者，包含以下属性：

🔑 标识

• PatientID – 患者唯一标识符

👤 人口统计学数据

• Age – 患者年龄
• Gender – 性别（0 = 女性，1 = 男性）
• Ethnicity – 种族（数字编码值）
• EducationLevel – 教育水平（数字编码）

🧬 生活方式和健康

• BMI – 体重指数
• Smoking – 吸烟者（1）/ 非吸烟者（0）
• AlcoholConsumption – 酒精消费
• PhysicalActivity – 体力活动水平
• DietQuality – 饮食质量
• SleepQuality – 睡眠质量

🏥 病史

• FamilyHistoryAlzheimers – 阿尔茨海默病家族史
• CardiovascularDisease – 心血管疾病
• Diabetes – 糖尿病
• Depression – 抑郁症
• HeadInjury – 头部外伤
• Hypertension – 高血压
• SystolicBP, DiastolicBP – 血压
• CholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglycerides

🧠 认知和功能评估

• MMSE – 简易精神状态检查评分
• FunctionalAssessment – 功能评估
• ADL – 日常生活活动

⚠️ 认知和行为症状

• MemoryComplaints
• BehavioralProblems
• Confusion
• Disorientation
• PersonalityChanges
• DifficultyCompletingTasks
• Forgetfulness

🎯 目标标签

• Diagnosis – 仅在train.csv中
  • 1 = 阿尔茨海默病诊断
  • 0 = 无阿尔茨海默病

最终目标：预测 test.csv 中行的 Diagnosis。

📝 任务

前两个子任务验证数据探索性分析。
最后一个子任务评估分类模型的性能。

子任务 1（10分）

对于 test.csv 中的每个患者，计算训练集（train.csv）中有多少患者与测试集中该患者的年龄相同。

在提交文件中显示一个自然数（按照下面展示的格式）。

子任务 2（15分）

对于 test.csv 中的每个患者，确定训练集（train.csv）中年龄相同
的患者中吸烟者的百分比（Smoking = 1）。

年龄为 v 的患者的计算公式：

1(train中Age = v的吸烟患者数量) /2(train中Age = v的患者总数) * 100

在提交文件中显示一个0到100之间的实数，
最多保留2位小数，对应每个患者。

如果训练集中不存在该年龄的患者，
显示的值将为 0。

子任务 3（75分）

构建一个分类模型，预测 test.csv 中每个患者的阿尔茨海默病诊断概率
（p ∈ [0,1]）。

评估使用 ROC曲线 和 AUC（ROC曲线下面积）。

🧮 评估

• AUC ≥ 0.90 → 75分
• AUC ≤ 0.70 → 0分
• 两者之间的区间：按比例计分

子任务1-2进行精确评估（通过比较）。

📄 提交文件格式

submission.csv 文件必须包含测试集中每个患者的3行，
对应3个子任务。

结构：

1subtaskID, datapointID, answer

其中：

• subtaskID – 1、2或3
• datapointID – PatientID 值
• answer – 取决于子任务：
  • 子任务1：训练集中相同年龄的患者数量（自然数）
  • 子任务2：与患者年龄相同的吸烟者百分比（实数）
  • 子任务3：阿尔茨海默病概率（0到1之间的实数）

PatientID = 4751 的示例：

1subtaskID,datapointID,answer21,4751,2332,4751,31.843,4751,0.873

📊 评估指标：ROC AUC 📈

对于子任务3，评估使用 ROC AUC（ROC曲线下面积），
这是二元分类问题的标准指标。

分数解释：

• ROC AUC = 1.0 🏆 → 完美模型
• ROC AUC = 0.5 🎲 → 随机分类
• ROC AUC > 0.5 📈 → 分数越高，模型区分类别的能力越好