使用机器学习预测粉样蛋白β-阳性与MRI参数和认知功能,使用机器学习
Journal of the Korean Society of Radiology
|June 16, 2023
概括
机器学习使用MRI标记器准确预测轻度认知障碍和阿尔茨海默病中的粉样蛋白阳性. 关键预测因素包括迷你精神状态检查得分和特定的大脑体积,有助于早期诊断.
科学领域:
- 神经学 神经学
- 放射学 放射学是一门学科.
- 生物医学工程 生物医学工程
背景情况:
- 粉样β (Aβ) 阳性是阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 的标志.
- 非侵入性地预测Aβ状态对于早期诊断和干预至关重要.
- 磁共振成像 (MRI) 为Aβ检测提供了潜在的生物标志物.
研究的目的:
- 为了确定MRI标记物来预测MCI和AD患者的Aβ阳性.
- 为了比较Aβ阳性 (Aβ [+]) 和Aβ负组之间的MRI标记差异.
- 评估机器学习 (ML) 在预测Aβ阳性的有效性.
主要方法:
- 139名MCI和AD患者接受了粉样蛋白PET-CT和脑MRI.
- 视觉评估包括Fazekas白质强度 (WMH) 和大脑微型血液 (CMB) 的尺度.
- 量化MRI分析测量了WMH和区域大脑体积;使用了ML模型 (SVM,逻辑回归).
主要成果:
- 在Aβ (+) 患者中,WMH和CMB得分较高 (p=0.02,p=0.04).
- 在Aβ (+) 个体 (p<0.05) 中观察到海马体,内腔皮层和前皮质体积的减少 (p<0.05).
- 在Aβ (+) 患者 (p=0.002) 中注意到第三腹腔体积增加;ML达到81.1%的准确性.
结论:
- 结合小型精神状态检查 (MMSE) 和区域大脑体积的ML模型有效预测Aβ阳性.
- 第三心室和海马体积是显著的MRI预测器.
- 这种方法在临床环境中对非侵入性Aβ状态预测有希望.
