プラズマバイオマーカーと機械学習による臨床情報によるアミロイドβの脳沈殿の正確で堅実な予測
Jiayuan Xu1, Andrew J Doig2, Sofia Michopoulou3,4
1Department of Electrical and Electronic Engineering, University of Manchester, Manchester, United Kingdom.
Frontiers in aging neuroscience
|September 3, 2025
まとめ
機械学習モデルは,血液のバイオマーカーと臨床データを用いて脳のアミロイドβ (Aβ) 陽性を正確に予測し,アルツハイマー病の診断のためのPETスキャンに費用対効果の高い代替案を提供します.
科学分野:
- 神経科学
- バイオマーカー
- 機械学習
背景:
- アルツハイマー病 (AD) は,アミロイドβ (Aβ) の蓄積によって特徴づけられる一般的な神経変性疾患である.
- ポジトロン放出トモグラフィー (PET) はAβ検出の黄金基準ですが,高価でアクセス不可能なものです.
- アルツハイマー病の早期発見には 低コストの脳Aβ収納診断法の開発が不可欠です
研究 の 目的:
- 脳のAβ陽性性を予測するための機械学習アルゴリズムを開発し,検証する.
- プラズマバイオマーカー,遺伝情報,臨床データを入力機能として利用する.
- アルツハイマー病の診断のためのPET画像検査の費用対効果の高い代替手段を確立する.
主な方法:
- アルツハイマー病ニューロ画像イニシアティブ (ADNI) の患者1,043人を分析し,CNTNデータセットの患者127人を検証した.
- 使用した血バイオマーカー (Aβ42,Aβ40,pTau 181,NfL),アポリポプロテインE (APOE) 遺伝子型,および臨床データ (MMSE,MoCA,年齢,教育,性別).
- 意思決定ツリー,ランダムフォレスト,サポートベクトルマシン,マルチレイヤーパーセプトンを含む機械学習アルゴリズムを使用し,特徴選択とマッチング技術を使用しています.
主要な成果:
- 11つの特徴を持つADNIデータセットで0.95のROC曲線下の面積 (AUC) を達成しました.
- 外部 CNTN データセットでモデルを検証し,AUC 0. 90を達成しました.
- 5つの主要な特徴 (pTau 181,Aβ42/40,Aβ42,APOE ɛ4数,MMSE) を利用した縮小モデルでは,ADNI患者341人のAUCは0. 87であった.
結論:
- 機械学習モデルは,アクセス可能なデータを用いて脳Aβ状態を効果的に予測します.
- 開発された方法は,独立したデータセットに強い汎用性を示しています.
- このアプローチは,アルツハイマー病の診断において,PETイメージングの費用対効果が高く,正確な代替手段となります.
