使用临床和DAT SPECT成像特征以及混合机器学习系统预测帕金森病的认知衰退

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 帕金森病 (PD) 是一种神经退行性疾病,影响运动和非运动功能,包括认知.
• 蒙特利尔认知评估 (MoCA) 评估的认知障碍是PD中常见的非运动症状.
• 预测PD的认知衰退对于患者管理和治疗发展至关重要.

研究的目的:

• 预测帕金森病 (PD) 患者的蒙特利尔认知评估 (MoCA) 4 年成绩.
• 评估手工制造的放射学 (RF),深度学习 (DF) 和临床特征 (CF) 在基线的预测能力.
• 评估混合机器学习系统 (HMLSs) 集成多种功能集的有效性.

主要方法:

• 利用了来自297名帕金森病进步标志物倡议 (PPMI) 参与者的数据.
• 使用SERA软件和3D编码器从DAT-SPECT图像中提取了RF和DF.
• 在HMLS中应用特征选择 (ANOVA) 和各种分类器 (MLP,KNN,ETC,XGBC),80%用于培训/验证,20%用于测试.

主要成果:

• 个别的RF和DF特征产生了适度的预测准确度 (56-65%).
• 仅临床特征 (CF) 单独使用ANOVA和ETC显示出更高的性能 (77%的交叉验证,82%的测试).
• 组合特征 (CF+RF,CF+DF,CF+RF+DF) 在预测MoCA分数方面取得了最高的准确性 (76-83%).

结论:

• 临床特征对于预测帕金森病的认知结果至关重要.
• 在HMLS中将临床数据与成像衍生特征 (放射学和深度学习) 集成,可以优化预测性能.
• 这种方法为早期识别PD认知衰退提供了一个有希望的策略.