深度学习模型用于对轻度认知障碍患者临床结果的个性化轨迹预测

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 在轻度认知障碍 (MCI) 中预测痴呆症进展对于及时干预至关重要.
• 当前的方法往往缺乏预测认知衰退和相关生物标志物的个体级准确性.
• 识别患有快速进展高风险的患者是一个重大的临床挑战.

研究的目的:

• 开发一种深度学习模型,用于预测MCI患者个体认知衰退.
• 预测磁共振成像 (MRI) 标志物对MCI个体随时间变化的变化.
• 加强早期识别患有MCI的患有痴呆症发展风险的患者.

主要方法:

• 招募了657名失忆性MCI患者,接受了认知,MRI和amyloid-β (Aβ) 定子发射断层扫描 (PET) 扫描.
• 开发了一种新的深度学习架构,使用具有注意力机制的循环神经网络.
• 用人口,遗传,神经心理,MRI和Aβ PET数据训练模型.

主要成果:

• 在交叉验证中,预测模型取得了强的性能 (AUC = 0.814 ± 0.035).
• 证明了对认知衰退和MRI标记物随时间变化的可靠预测.
• 与Aβ-患者相比,确定了粉样β阳性 (Aβ+) 患者的更快的认知衰退和脑缩.

结论:

• 开发的深度学习模型为预测MCI进展提供了有效和准确的方法.
• 该模型可以帮助临床医生识别患有快速认知衰退风险较高的人.
• 建议进行进一步的验证和改进,以加强临床决策.