机器学习衍生的MRI基础的神经退行生物标志物用于阿尔茨海默病:一个多数据库验证研究

科学领域:

• 神经成像是一种神经成像.
• 机器学习在医学中的应用
• 生物标志物开发 生物标志物开发

背景情况:

• 阿尔茨海默病 (AD) 诊断依赖于识别神经退行.
• 机器学习衍生的生物标志物为AD检测提供了新的方法.
• 阿尔茨海默病相似性缩指数 (AD-RAI) 是一种基于MRI的神经成像生物标志物,表明神经退行.

研究的目的:

• 为了验证和比较AD-RAI的诊断性能与常规体积海马体测量 (海马体积和分数) 以诊断轻度AD痴呆症.
• 研究成像生物标志物与认知不受损个体的年龄和性别的关联.
• 评估年龄和性别调整对这些生物标志物的诊断性能的影响.

主要方法:

• 来自四个数据库的轻度AD痴呆症 (n=218) 和认知正常 (CU) 个体 (n=1,060) 的参与者的回顾性分析.
• 曲线下的面积 (AUC),敏感度,特异性和AD-RAI,海马体积 (HV) 和海马分数 (HF) 的平衡精度的比较.
• 包括粉素阴性CU参与者的子组分析和年龄/性别调整效应的评估.

主要成果:

• 与HV (0.89) 和HF (0.89) 相比,AD-RAI在区分轻度AD痴呆症和CU时显示出明显更高的AUC (0.93).
• 在对粉素阳性AD和粉素阴性CU参与者的小组分析中,AD-RAI的AUC (0.97) 仍然高于HV (0.94) 和HF (0.93).
• AD-RAI和HF的诊断性能不受年龄或性别的影响,而HV性能在年龄调整后得到改善.

结论:

• AD-RAI在诊断轻度阿尔茨海默病痴呆症方面表现出极好的临床有效性.
• 在诊断准确性方面,AD-RAI在诊断准确性方面优于传统的体积性海马体测量.
• AD-RAI不需要年龄调整,简化了其用于早期AD检测的临床应用.