预测大脑小血管疾病中发生的痴呆症:机器学习与传统统计模型的比较
Rui Li1, Eric L Harshfield1,2, Steven Bell1,2,3
1Stroke Research Group, Department of Clinical Neurosciences, University of Cambridge, United Kingdom of Great Britain and Northern Ireland.
Cerebral circulation - cognition and behavior
|August 18, 2023
概括
机器学习模型在预测大脑小血管疾病 (SVD) 痴呆症的传统方法上显示出最小的改善. 基线认知是最重要的预测因素,强调在将ML应用于SVD痴呆症预测时需要谨慎.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 大脑小血管疾病 (SVD) 是导致痴呆的主要原因,占全球病例的45%.
- 目前用于预测SVD痴呆症的模型通常依赖于传统的统计方法.
- 需要改善SVD患者痴呆症的预测模型.
研究的目的:
- 调查机器学习 (ML) 方法是否提高了SVD中发生痴呆症的预测能力.
- 将ML模型的性能与使用SVD相关特征的传统统计方法进行比较.
- 确定SVD中痴呆症最重要的预测特征.
主要方法:
- 包含了三组 (RUN DMC,SCANS,HARMONISATION) 具有不同SVD严重程度的队列.
- 基线数据包括人口统计,血管风险因素,认知评分和SVD的MRI特征.
- 为了预测3年痴呆风险,进行了生存和分类分析,将ML模型与Cox/逻辑回归进行比较.
主要成果:
- 总共有789名参与者被纳入生存分析;108名 (13.7%) 患有痴呆症.
- 750名参与者被纳入分类分析;48人 (6.4%) 在第3年患上痴呆症.
- 调整的ML模型显示与传统方法相比没有显著的改善;基线全球认知是最具预测性的特征.
结论:
- 在使用基线特征来预测SVD痴呆症的传统统计方法相比,ML模型几乎没有任何改进.
- 在这种情况下,ML的好处需要谨慎评估,尤其是在有限的样本大小和特征的情况下.
- 需要进一步的研究来优化ML应用程序用于SVD中痴呆症预测.
