识别阿尔茨海默病轨迹的潜在模式:深度学习方法和门德尔随机化分析

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物统计学 生物统计学

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,其恶化速率可变.
• 了解AD进展对于有效的早期干预和治疗策略至关重要.
• 识别AD轨迹中的独特模式可以为个性化医疗方法提供信息.

研究的目的:

• 分析阿尔茨海默氏病 (AD) 的进展,并确定其轨迹中的不同模式.
• 开发和验证一个深度学习模型,用于预测转换时间和集群AD子组.
• 通过使用孟德尔随机化来调查已识别的模式和疾病进展之间的因果关系.

主要方法:

• 提出了一个深度学习模型,用于共同预测AD进展模式的转换时间和集群.
• 在ADNI数据集 (1370名参与者) 和外部在AIBL数据集 (233名参与者) 上验证了模型.
• 采用孟德尔随机化 (MR) 分析来推断模式和转换时间之间的因果关系.

主要成果:

• 该模型确定了具有显著不同生物标志物和进展率的独特模式.
• 识别的模式显示了从认知正常 (CN) 转化为轻度认知障碍 (MCI) 和AD痴呆症的强有力的预测能力 (例如,5年预测的AUC:CN→MCI 0.876,MCI→AD 0.957).
• 外部验证显示了竞争性表现 (CN→MCI C指数0.693,MCI→AD C指数0.752);MR分析表明MCI→AD模式的因果关系.

结论:

• 开发的深度学习模型有效地识别了AD进展中的生物学和临床上有意义的模式.
• 这些模式为疾病轨迹提供了宝贵的见解,有助于早期检测和个性化治疗策略.
• 这些发现支持改善阿尔茨海默病管理中的临床试验设计和决策.