从轻度认知障碍到阿尔茨海默病的转化风险中的性别差异:一种可解释的机器学习研究,使用随机生存森林和SHAP

科学领域:

• 神经科学是一个神经科学.
• 生物标志物 生物标志物
• 机器学习 机器学习

背景情况:

• 阿尔茨海默病 (AD) 不成比例地影响女性.
• 了解从轻度认知障碍 (MCI) 到AD进展的性别特异性至关重要.
• 目前关于MCI转化为AD的性二态的知识是有限的.

研究的目的:

• 调查从MCI发展为AD的性别特异性风险因素.
• 将机器学习生存模型和可解释性技术应用于痴呆症生物标志物.
• 为了确定男性和女性患者之间具有可变重要性的独特模式.

主要方法:

• 使用随机生存森林 (RSF) 和沙普利添加式解释 (SHAP) 进行生存分析.
• 为男性 (M-RSF) 和女性 (F-RSF) 队列开发了单独的RSF模型.
• 分析了痴呆症生物标志物,包括大脑葡萄糖代谢,CSF标志物,海马体,口头记忆和执行功能.

主要成果:

• M-RSF模型显示出比F-RSF模型 (0.79) 更高的预测性能 (0.87).
• 全球解释显示,男性和女性模型之间的相似性不到71.1%.
• 常见的影响因素包括大脑葡萄糖代谢和CSF生物标志物;海马是男性的关键,而口头记忆和执行功能是女性的关键.

结论:

• 女性患痴呆症的风险更高.
• 具有可变重要性的明显的性别驱动模式影响AD转化风险.
• 这些发现凸显了在预测阿尔茨海默病进展方面需要采用性别特定方法的必要性.