基于机器学习的早期痴呆症查稳定和可扩展的数字复合神经认知测试:模型开发和验证研究
Dongmei Gu1,2, Xiaozhen Lv1,2, Chuan Shi1,2
1Clinical Research Division, Dementia Care and Research Center, Peking University Institute of Mental Health (Sixth Hospital), Beijing, China.
Journal of medical Internet research
|December 1, 2023
概括
机器学习确定了一个用于早期痴呆症检测的认知测试面板. 这种可扩展的数字生物标志物有助于识别轻度认知障碍 (MCI) 和痴呆阶段.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 公共卫生 公共卫生
背景情况:
- 痴呆症是一个重大的公共卫生挑战.
- 轻度认知障碍 (MCI) 是痴呆症前的一个关键过渡阶段.
- 早期发现MCI对于痴呆症预防策略至关重要.
研究的目的:
- 开发和验证一个稳定,可扩展的认知测试面板,用于早期MCI和痴呆症的检测.
- 在中国神经心理学共识电池 (CNCB) 上利用机器学习 (ML).
- 评估中国神经心理规范项目 (CN-NORM) 和ADNI-3队列中的表现.
主要方法:
- 在CN-NORM研究中招募了871名正常,MCI和痴呆症组的参与者.
- 采用四个ML算法 (SelectKBest,逻辑回归,logit,逐步消除) 进行特征选择.
- 在CN-NORM和ADNI-3队列中使用接收器运行特征曲线,AUC和交叉验证的验证模型.
主要成果:
- 霍普金斯口头学习测试-5分钟回忆显示MCI和正常认知之间的最高歧视 (AUC=0.80).
- 一个可扩展的模型 (Model 5: HVLT-5min Recall和Trail Making Test-B) 证明了比现有的测试更优越的歧视.
- 模型5获得了高灵敏度 (0.82-0.83) 并在ADNI-3队列中得到了强有力的验证 (AUC=0.81).
结论:
- 开发了一种稳定,可扩展的基于ML的神经认知测试,用于区分认知障碍阶段.
- 复合测试作为一个可行的数字生物标志物用于大规模查.
- 这种工具在认知查和干预研究中具有潜在的应用.
