在休息状态fMRI数据的时间过程中检测阿尔茨海默病阶段和前性痴呆症,使用机器学习方法

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 区分神经退行性痴呆的亚型,如阿尔茨海默病 (AD) 和前性痴呆 (FTD) 是临床上具有挑战性的,因为重叠的症状和非典型的表现.
• 休息状态功能磁共振成像 (rs-fMRI) 揭示了与健康对照组 (HC) 相比,AD,FTD和轻度认知障碍 (MCI) 的病情特异性脑部变化.

研究的目的:

• 开发和评估一个机器学习模型,使用rs-fMRI数据准确分类AD,FTD,健康对照 (HC) 和MCI.
• 评估整合临床变量与成像数据对诊断模型性能的影响.

主要方法:

• rs-fMRI数据和临床信息来自ADNI和FTLDNI数据库.
• 使用预处理,特征提取和梯度增强的决策树与嵌套交叉验证来构建分类模型.
• 模型性能使用平衡精度,宏观平均AUC和宏观平均F1得分对未见测试数据进行评估.

主要成果:

• 仅使用rs-fMRI特征的模型实现了74.4%的平衡精度,将AD扫描错误分类为MCI.
• 整合临床变量显著改善了模型性能,产生了91.1%的平衡精度,0.99 AUC和0.92 F1评分.
• 多式模式模型在分类FTD (F1=0.99),HC (F1=0.99),MCI (F1=0.86) 中表现出高准确度,并且显著改善了AD分类 (F1=0.74).

结论:

• 结合rs-fMRI和临床数据的多式机器学习方法为区分AD,FTD,MCI和HC提供了强大而准确的方法.
• 这种方法具有显著的潜力,可以改善痴呆症亚型的早期和精确诊断,指导治疗策略.