机器学习预测未来的粉样蛋白β阳性在粉样蛋白阴性个体的预测
Elaheh Moradi1, Mithilesh Prakash2, Anette Hall3,4
1A.I. Virtanen Institute for Molecular Sciences, University of Eastern Finland, Kuopio, 70150, Finland. elaheh.moradi@uef.fi.
Alzheimer's research & therapy
|February 27, 2024
概括
使用标准,非侵入性措施的机器学习模型可以预测阿尔茨海默病中未来的粉样β (Aβ) 阳性. 基于脑脊液的定义显示出比正子发射断层扫描更好的预测准确度.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 阿尔茨海默病 (AD) 的病理生理学涉及粉样β (Aβ) 的积累.
- 早期识别异常的Aβ水平对于AD管理至关重要.
- 目前的Aβ量化方法 (PET,CSF) 是侵入性的和昂贵的.
研究的目的:
- 开发一种机器学习框架,使用非侵入性措施预测未来的Aβ阳性.
- 评估标准临床和人口统计数据在预测Aβ积累方面的有效性.
- 为了比较基于脑脊液 (CSF) 和基于正电子发射断层扫描 (PET) 的Aβ定义的预测性能.
主要方法:
- 使用非侵入性数据开发了一个机器学习框架:MRI,人口统计,APOE状态和神经心理评估.
- 该模型被训练来预测最初对Aβ负的个体未来的Aβ阳性.
- 使用PET和CSF生物标志物单独定义了Aβ阳性.
主要成果:
- 预测4年内Aβ转换的曲线下的交叉验证面积 (AUC) 是基于CSF的定义的0.78和基于PET的定义的0.68.
- 基于CSF的模型在单独的数据集中显示了未来轻度认知障碍 (MCI) /痴呆症转化 (AUC分别为0.76和0.89) 的强有力的预测性能.
- 机器学习模型显示出预测未来Aβ阳性和转化风险的潜力,即使在认知正常的个体中也是如此.
结论:
- 标准的,非侵入性措施可以有效地预测未来的Aβ阳性,并评估阿尔茨海默病转化风险.
- 开发的机器学习框架提供了一种有希望的,不那么侵入性的方法来识别患有AD风险的个体.
- 与基于PET的定义相比,基于CSF的Aβ定义产生了更高的预测准确性.
