バイオマーカー

科学分野:

• 神経科学
• 人工知能
• 医用画像処理

背景:

• 機械学習（ML）モデルはアルツハイマー病（AD）の病期分類に不可欠ですが、方法論が不明確なため、しばしば相反する結果をもたらします。
• これは、臨床試験における臨床的有用性と患者層別化を制限します。
• 新しい自動ML（AutoML）アプローチは、バイアスを軽減し、予測精度を高めることによって、これらの制限に対処するために提案されています。

研究 の 目的:

• 正確なアルツハイマー病（AD）病期分類のための新しい自動ML（AutoML）フレームワークを開発および評価すること。
• 予測モデリングにおける実験者バイアスと恣意的な決定を軽減すること。
• 臨床試験における患者層別化のためのAD病期分類の臨床的有用性を高めること。

主な方法:

• ベイジアン最適化を使用して20,000のMLパイプラインをナビゲートするAutoMLマルチバースフレームワークを開発しました。
• データ駆動型アンサンブルは、多様なパイプラインをスタックモデルに統合することによって構築されました。
• 分類タスクには、ADNIデータセットからの構造的MRIおよび臨床データを使用して、認知正常（CN）対AD、AD対軽度認知障害（MCI）対CN、および安定MCI（sMCI）対進行性MCI（pMCI）が含まれました。

主要な成果:

• 個別のMLモデルは予測性能が限定的であり、スタックアンサンブルはわずかな改善を示しました。
• AutoML由来のアンサンブルは、すべての診断タスクで一貫して優れた精度を達成しました。
• AutoMLアンサンブルは、sMCIとpMCIの区別において77.55%のバランス精度を達成し、MRIデータの臨床的関連性を示しました。

結論:

• AutoMLマルチバースフレームワークは、個々のMLパイプラインと比較して優れた予測性能を示します。
• バイアスと恣意的な意思決定を削減し、データ駆動型アンサンブル構築を可能にします。
• このフレームワークは、特に疾患進行率を区別する際の精密な患者層別化のための神経画像統合を通じて、臨床試験における潜在的な臨床的有用性を示しています。