将预定义与深度学习方法进行比较,用于提取脑缩模式,以预测患有轻度认知症状的患者因阿尔茨海默病而导致的认知衰退
Ida Arvidsson1, Olof Strandberg2, Sebastian Palmqvist2,3
1Centre for Mathematical Sciences, Lund University, Lund, Sweden. ida.arvidsson@math.lth.se.
Alzheimer's research & therapy
|March 20, 2024
概括
深度学习模型没有显著改善阿尔茨海默病 (AD) 预测,而不是传统方法使用脑成像用于轻度认知障碍 (MCI) 患者. 海马体积在预测认知衰退和AD进展方面提供了适度的改善.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 神经学 神经学
背景情况:
- 预测主观认知衰退 (SCD) 或轻度认知障碍 (MCI) 患者的阿尔茨海默病 (AD) 进展对于及时干预至关重要.
- 通过磁共振成像 (MRI) 的结构性脑成像显示了增强这些预测的潜力.
- 深度学习 (DL) 模型使用整个大脑图像与预先定义的AD预测区域的比较有效性尚不清楚.
研究的目的:
- 评估阿尔茨海默病 (AD) 进展和SCD/MCI患者认知衰退的不同模型的预测性表现.
- 为了比较仅仅临床数据的疗效,临床数据与海马体积,临床数据与区域MRI体积,以及包含整个大脑图像的深度学习模型的临床数据.
主要方法:
- 分析了来自瑞典BioFINDER-1研究的332名SCD/MCI患者的队列.
- 评估了四种预测模型:仅临床数据,临床数据+海马体积,临床数据+68个区域MRI体积 (FreeSurfer),以及使用MRI和雅可比定量图像的DL模型.
- 使用了一个嵌套的交叉验证方案,在ADNI数据集 (108名患者) 上进行外部验证.
主要成果:
- 仅仅临床数据预测了AD的进展 (AUC=0.85) 和认知能力下降 (R2=0.14).
- 增加海马体积可以改善预测 (AUC=0.86,R2=0.16). 区域MRI体积改善了认知衰退预测 (R2=0.17),但没有AD进展 (AUC=0.83).
- 与较简单的模型相比,DL模型的性能降低了 (AUC=0.84,R2=0.08),而雅可比定量图像比单独的MRI更具信息性.
结论:
- 与使用单个大脑区域的回归模型相比,深度学习模型没有显著提高临床阿尔茨海默病进展的预测.
- 海马体积在预测AD进展和认知衰退方面提供了适度的改善.
- 这些发现表明,结合特定区域大脑体积的简单模型可能比使用整个大脑图像进行预测任务的复杂DL方法更有效.
