对早期痴呆症预测的认知和大脑健康轨迹的无监督多式模式建模

科学领域:

• 神经科学是一个神经科学.
• 生物统计学 生物统计学
• 机器学习 机器学习

背景情况:

• 早期预测神经退行性疾病对于改善临床管理和患者结果至关重要.
• 在现实世界的临床环境中,一个重大挑战是监督学习方法的标记数据的稀缺性.
• 现有的方法通常依赖于侵入性生物标志物或广泛的诊断数据,限制了可访问性.

研究的目的:

• 开发一种无监督的方法,用于早期预测神经退行性疾病的进展.
• 创建一种利用纵向数据和多式联运信息的方法,而不需要培训临床诊断.
• 通过使其具有成本效益和非侵入性来提高预测模型的临床实用性.

主要方法:

• 提出了一种无监督的多模式轨迹建模 (MTM) 方法,使用状态空间模型的混合.
• MTM捕捉了纵向数据 (轨迹) 的变化,并根据生物标志物和认知观察之间的关系对个体进行分层.
• 该模型以纵向数据进行训练,包括侵入性生物标志物 (例如β-粉样蛋白,灰质密度) 和认知数据.

主要成果:

• 关于轨迹的MTM培训将个体分层到具有临床意义的集群中,比单独使用基线数据更可靠.
• 该方法证明了对缺少数据的稳定性,在认知数据或单个评估方面表现良好.
• 来自MTM的个性化认知健康指数比标准的临床评估更准确地预测了阿尔茨海默病的进展.

结论:

• 无监督多模式轨迹建模 (MTM) 为早期痴呆症预测提供了一种经济有效且非侵入性的工具,独立于临床诊断.
• 通过使用纵向数据,MTM有效地对个体进行分层,并使用纵向数据预测疾病进展,即使缺乏信息.
• 该方法显示了临床翻译的强大潜力,从研究队伍泛化到现实世界的记忆诊所数据.