使用自动机器学习管道对阿尔茨海默氏症疾病分类的amyloid成像规范化策略进行比较

科学领域:

• 神经成像是一种神经成像.
• 生物标志物发现发现
• 机器学习在医学中的应用

背景情况:

• 粉样蛋白成像对于阿尔茨海默病 (AD) 诊断和通过量化粉样蛋白斑块密度来发现生物标志物至关重要.
• 使用参考区域进行正常化至关重要,以尽量减少粉样蛋白成像数据中的噪声和人工物.
• 需要最佳的正常化策略来提高AD的诊断性能和生物标志物识别.

研究的目的:

• 为了比较阿尔茨海默病的不同粉样蛋白成像正常化策略的诊断性能和生物标志物发现能力.
• 评估复合参考区域正常化对整个小脑正常化和非正常化数据的有效性.
• 利用自动机器学习 (AutoML) 管道来分析和分类阿尔茨海默病.

主要方法:

• 采用STREAMLINE自动机器学习 (AutoML) 管道用于阿尔茨海默病的二进制分类.
• 利用了13个机器学习模型,并进行了基于变换的特征重要性分析.
• 进行了对三个粉样蛋白成像测量的比较研究:原始,整个小脑正常化和复合参考区域正常化.

主要成果:

• 复合参考区域规范化数据集在阿尔茨海默病诊断中实现了更高的平衡准确性.
• 功能重要性分析显示,复合参考区域正常化确定了更多与AD相关的大脑区域.
• 基于成像数据,AutoML方法有效地区分了阿尔茨海默病和对照组.

结论:

• 复合参考区域正常化代表了使用粉样蛋白成像改善阿尔茨海默病诊断的最佳策略.
• 这种正常化方法可以提高对受阿尔茨海默病影响的关键大脑区域的识别.
• 像STREAMLINE这样的AutoML管道是优化神经成像分析和神经退行性疾病中的生物标志物发现的强大工具.