病理学引导分层网络用于阿尔茨海默氏症疾病的亚型识别

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 医学成像分析 医学成像分析

背景情况:

• 阿尔茨海默病 (AD) 是一种复杂的神经退行性疾病,由β-粉样蛋白,tau病理和神经退行驱动.
• 缺乏有效的晚期治疗方法,强调了早期检测和预防策略的必要性.
• 目前用于AD亚型的神经成像分析方法经常忽视关键的病理领域知识,可能产生不一致的结果.

研究的目的:

• 开发一个机器学习模型,整合系统生物学,用于临床AD预后.
• 根据生物原理,神经模式和认知症状来分类AD亚群.
• 为了提高AD亚型识别的准确性和临床相关性.

主要方法:

• 开发了一种新的病理引导分层网络 (PSSN),通过反应扩散模型将AD病理知识纳入其中.
• 该模型考虑非线性生物标志物相互作用和大脑网络扩散,从多式神经成像数据预测长期个体进展轨迹.
• 使用深度预测神经网络分析时空动态,链接临床数据,并分配个别亚型概率,使用进化疾病图量化亚型转换.

主要成果:

• 根据临床分数,PSSN在区分和在已识别的AD亚型中表现出卓越的性能.
• 对老龄化人口的应用揭示了整个AD频谱的六种不同的亚型.
• 每个确定的亚型都表现出与特定临床结果相关的独特生物标志物模式.

结论:

• PSSN有效地减少神经图像数据,整合病理途径 (AT[N]-Net),预测长期生物标志物演变,并将个体分为临床相关的亚型.
• 这种方法为预症状AD诊断和临床治疗指导提供了宝贵的见解.
• 该方法具有将其推广到其他神经退行性疾病的潜力.