可解释的机器学习与对交互,用于预测从轻度认知障碍转化为阿尔茨海默病的预测,利用多种模式的数据

科学领域:

• 神经科学是一个神经科学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 预测轻度认知障碍 (MCI) 的认知衰退对于及时干预潜在的阿尔茨海默病 (AD) 进展至关重要.
• 可解释机器学习 (XAI) 模型提供了一种有希望的方法,可以提高预测准确度,同时保持MCI到AD转换的可解释性.
• 这项研究利用具有多式联络特性的可解释增强机 (EBM) 模型来预测MCI到AD转换的可解释性.

研究的目的:

• 开发和验证可解释的机器学习模型,用于预测阿尔茨海默病 (AD) 从轻度认知障碍 (MCI) 转化为阿尔茨海默病 (AD).
• 识别关键的多模式特征 (MRI,认知,临床),这些特征有助于预测MCI在各种后续期间转化为AD.
• 使用可解释增强机 (EBM) 模型,比较不同特征组合的预测性能.

主要方法:

• 一项回顾性病例控制研究,利用来自阿尔茨海默病神经成像倡议 (ADNI) 数据库的1042名MCI患者的数据 (2006-2022).
• 使用可解释增强机器 (EBM) 模型,使用MRI生物标志物,认知得分,人口统计和临床特征的组合来预测MCI的AD转化.
• 基于不同后续期的准确性,灵敏度,特异性和AUC-ROC,评估模型性能,同时考虑相互作用效应和特征解释性.

主要成果:

• 在使用认知分数和MRI标记器的情况下,EBM模型实现了5年MCI转换为AD的85%预测准确度 (AUC = 0.92).
• 特征的重要性因随访期而异:MRI标记在早期阶段至关重要,而认知得分在中期变得更加重要.
• 确定的特定预测因素包括右下部体积 (1年),左下部厚度 (2年),FAQ分数 (3年),APOE4状态 (4年) 和右腔体积 (5年).

结论:

• 具有多模式功能的可解释增强机器 (EBM) 为预测阿尔茨海默病 (AD) 从轻度认知障碍 (MCI) 的转化提供了强大的和可解释的方法.
• 该研究确定了重要的多式联运特征,这些特征对于在不同时间点预测MCI转化为AD至关重要.
• 开发的预测工具有可能改善患有AD风险的患者的临床管理策略.