在老化和阿尔茨海默病中的基于高斯过程的记忆性能和生物标志物状态的预测- 一个系统的模型评估评估
A Nemali1, N Vockert2, D Berron2
1Institute of Cognitive Neurology and Dementia Research, Otto-von-Guericke University Magdeburg, Germany; German Center for Neurodegenerative Diseases (DZNE), Magdeburg, Germany.
Medical image analysis
|September 3, 2023
概括
结合神经成像,人口统计和遗传数据,可以改善阿尔茨海默病 (AD) 的预测. 这种方法可以准确预测患者的认知状态和生物标志物阳性,帮助早期诊断和干预策略.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 生物统计学 生物统计学
背景情况:
- 阿尔茨海默病 (AD) 研究越来越多地使用多模式数据来预测结果.
- 在AD中缺乏用于预测建模的特征组合的系统评估.
研究的目的:
- 评估基于磁共振成像 (MRI) 预测阿尔茨海默病的认知状态和生物标志物积极性的最佳特征组合.
- 评估一个多核学习高斯过程框架用于预测建模.
主要方法:
- 探索特征组合,包括大脑组织特性,人口统计,临床共变量和遗传信息 (ApoE4).
- 在一个大型的德国队列 (DELCODE,n=959) 上使用了多核学习高斯过程框架.
- 训练数据大小,维度缩小和内核类型的评估影响.
主要成果:
- 神经成像,人口统计学,ApoE4和脑脊液 (CSF) 生物标志物的组合预测了57%的差异解释的记忆性能.
- 人口统计学,ApoE4和记忆得分对于Aβ42/40分类是最佳的;结构性MRI增强了pTau状态预测.
结论:
- 多模式数据集成显著提高了对阿尔茨海默病认知状态和生物标志物积极性的预测准确性.
- 这些发现支持开发强大的,数据驱动的预测模型来预测AD的进展.
关键词:
阿尔茨海默氏症是阿尔茨海默氏症的一种疾病.贝叶斯的推理 贝叶斯的推理大脑衰老 脑衰老大脑形态学 大脑形态学分类 分类 分类 分类.认知能力下降 认知能力下降斯过程是高斯过程.预测建模的预测建模.
