多民族アジア人群における脳年齢の予測: 機械学習アルゴリズムと早期認知障害診断への応用の比較

科学分野:

• 神経画像は,神経イメージングによるものです.
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
• バイオマーカー開発

背景:

• 神経画像から得られた脳の年齢は,早期の神経変性障害の検出の可能性を示しています.
• 方法論的差異と限られた民族データにより,脳年齢モデルの臨床使用が困難である.
• 多様な集団に対して,正確で解釈可能なモデルを開発することは極めて重要です.

研究 の 目的:

• 多民族のアジア人向けに,正確でわかりやすい機械学習の脳年齢モデルを作成する.
• 初期の認知機能低下を特定するモデルの有効性を評価する.
• 既存の脳年齢予測方法論の限界に対処するために.

主な方法:

• 406人の認知的に正常な個人の構造的なMRI特性を用いて,9つの機械学習モデルを開発しました.
• 平均絶対誤差 (MAE) とピアソンの相関係数 (R2) を用いてモデルのパフォーマンスを評価した.
• 特徴の重要性についてSHapley Additive exPlanations (SHAP) を利用し,認知状態の異なる独立したコホートに最良のモデルを適用した.

主要な成果:

• 17の特徴で訓練されたアンサンブルモデル (線形回帰,ラッソ,SVR) は,バイアス修正MAE4.04年,R20.59を達成しました.
• 重要な予測要因には,タラミック,横心室,アクンベンスの面積,灰色質の体積が含まれていた.
• このモデルは,認知グループ (NCI,CIND,認知症) の脳年齢を成功裏に区別しました.

結論:

• 構造MRIを用いた解釈可能なアンサンブル機械学習モデルは,信頼性の高いBrainAGEバイオマーカーを提供します.
• このモデルは,多民族のアジア人集団の早期認知低下を検出することができる.
• この発見は,神経変性障害のバイオマーカーとしての脳年齢の臨床的翻訳を支持する.