Genetic algorithm with logistic regression for prediction of progression to Alzheimer's disease

BMC Bioinformatics

Table 5 GA results, MCI to AD Conversion over 36 months.

Run #	MC_AUC	Number of Variables	Variables	Run #	MC_AUC	Number of Variables	Variables (see Table 1)
1	0.86	4	10;19;24;31	26	0.85	6	10;15;19;31;34;35
2	0.82	5	1;8;10;19;24	27	0.86	6	1;10;15;19;34;31
3	0.83	5	10;18;23;25;31	28	0.86	6	1;10;15;19;25;31
4	0.83	5	1;10;14;19;23	29	0.86	6	9;15;19;24;31;35
5	0.83	5	5;9;24;23;35	30	0.86	6	9;10;15;18;23;31
6	0.84	5	10;19;21;25;31	31	0.86	6	10;15;19;24;31;35
7	0.84	5	10;16;19;20;35	32	0.87	6	1;10;15;19;24;31
8	0.85	5	10;16;19;23;35	33	0.84	7	8;10;18;25;31;33;34
9	0.85	5	10;15;16;18;31	34	0.85	7	10;16;19;23;25;31;34
10	0.85	5	10;19;20;25;31	35	0.85	7	1;10;15;19;24;31;33
11	0.85	5	9;23;25;31;35	36	0.85	7	1;8;10;15;19;25;31
12	0.85	5	10;15;19;31;35	37	0.86	7	9;10;15;18;24;31;35
13	0.86	5	10;19;24;31;35	38	0.86	7	1;10;15;19;31;34;35
14	0.86	5	10;19;24;31;35	39	0.86	7	1;8;10;15;18;25;31
15	0.83	6	5;10;15;19;31;35	40	0.86	7	1;10;15;19;31;34;35
16	0.84	6	1;3;10;19;25;31	41	0.86	7	1;10;15;19;24;31;35
17	0.84	6	1;10;19;24;30;31	42	0.87	7	1;10;15;19;31;34;35
18	0.84	6	1;15;19;20;34;35	43	0.87	7	1;10;15;19;25;31;35
19	0.84	6	10;19;23;24;31;35	44	0.87	7	1;10;15;19;25;31;35
20	0.84	6	3;10;19;23;31;35	45	0.87	7	1;10;15;19;25;31;35
21	0.85	6	1;10;19;23;31;35	46	0.87	7	10;15;16;18;20;31;35
22	0.85	6	10;16;19;24;31;35	47	0.87	7	1;10;15;19;24;31;35
23	0.85	6	9;15;18;23;31;35	48	0.85	8	3;10;15;16;19;21;25;35
24	0.85	6	8;10;15;18;25;31	49	0.86	8	1;10;15;19;24;31;35;36
25	0.85	6	1;10;15;19;23;31	50	0.87	8	1;10;15;19;24;31;32;35

The MC_AUC is the accuracy of predictions measured by the AUC value. The best results involve feature sets with 4-8 variables, while longer solutions (more variables in the models) were rejected by the GA selection criteria (worse performance).

ISSN: 1471-2105