摘要目的 利用自适应合成抽样(adaptive synthetic sampling,ADASYN)与类别逆比例加权法处理类别不平衡数据,结合分类器构建模型对阿尔茨海默病(alzheimer's disease,AD)患者疾病进程进行分类预测.方法 数据源自阿尔茨海默病神经影像学计划(Alzheimer's disease neuroimaging initiative,ADNI),经随机森林填补缺失值,弹性网络筛选特征子集后,利用ADASYN与类别逆比例加权法处理类别不平衡数据.分别结合随机森林(random forest,RF)、支持向量机(support vector machine,SVM)构建四种模型:ADASYN-RF、ADASYN-SVM、加权随机森林(weighted random forest,WRF)、加权支持向量机(weighted support vector machine,WSVM),与RF、SVM比较分类性能.模型评价指标为宏观平均精确率(macro-average of precision,macro-P)、宏观平均召回率(macro-average of recall,macro-R)、宏观平均F1 值(macro-average of F1-score,macro-F1)、准确率(accuracy,ACC)、Kappa 值和 AUC(area under the ROC curve).结果 ADASYN-RF的分类性能最优(Kappa值为 0.938,AUC为 0.980),ADASYN-SVM次之.利用ADASYN-RF预测得到的重要分类特征分别为CDRSB、LDELTOTAL、MMSE,在临床上均可得到证实.结论 ADASYN与类别逆比例加权法都能辅助提升分类器性能,但ADASYN算法更优.