公衆衛生

科学分野:

• 人工知能
• 深層学習
• 神経科学

背景:

• アルツハイマー病および関連認知症（ADRD）予測のための既存のAIは、しばしば特定のサブタイプと均質な高齢者集団に焦点を当てています。
• これにより、AIツールの多様な人口統計やその他の形態の認知症への適用性が制限されます。
• 本研究では、異種の中年集団における早期ADRD検出のためのAIベースのディープラーニングフレームワークを提案します。

研究 の 目的:

• ADRDリスクの早期検出のためのAIベースのディープラーニングフレームワークを開発および評価すること。
• ADRDリスク予測における畳み込みニューラルネットワーク（CNN）および長短期記憶（LSTM）モデルのパフォーマンスを評価すること。
• 欧州アルツハイマー病予防（EPAD）およびPREVENT認知症プログラムの多様なコホートにフレームワークを適用すること。

主な方法:

• EPADおよびPREVENTデータセットから、認知症の診断を受けていない2796人の個人からなる調和されたコホートをキュレーションしました。
• アポE4アレルおよびADの家族歴の存在に基づいて、個人を高、中、低リスクグループに分類しました。
• CNNおよびLSTMモデルを5倍交差検証を使用して開発および最適化しました。

主要な成果:

• 調和されたコホートは、2796人の個人（平均年齢62歳、範囲40〜89歳、女性57.5％、コーカサス系95％）で構成されていました。
• CNNモデルは、LSTMモデルよりも高い精度（7％ポイント高い）とF1スコアを達成しました。
• CNNモデルは、LSTMモデルよりも優れた平均ROC曲線下面積（AUROC）スコア（97％対94％）と低い検証損失（0.36対0.46）を示しました。

結論:

• CNNモデルの優れたパフォーマンスと低い検証損失は、ADRDリスク予測におけるその一般化可能性を示しています。
• モデルは現在アルツハイマー病（AD）に最適化されていますが、転移学習を使用して他のADRDサブタイプを予測します。
• 今後の作業では、CNNアーキテクチャの強化のためにマルチモーダル機能と説明可能性を調査します。