对阿尔茨海默病亚型发现的可解释深度集群生存机器
Bojian Hou1, Zixuan Wen1, Jingxuan Bao1
1Department of Biostatistics, Epidemiology and Informatics, University of Pennsylvania Perelman School of Medicine, Philadelphia, PA 19104, USA.
Medical image analysis
|June 28, 2024
概括
这项研究引入了深度聚类生存机器 (DCSM) 来识别轻度认知障碍 (MCI) 患者的阿尔茨海默病 (AD) 亚型. DCSM有效地根据他们发展到AD的风险对个人进行集群,帮助药物发现.
科学领域:
- 神经科学是一个神经科学.
- 遗传学 遗传学 是一个
- 计算生物学 计算生物学
背景情况:
- 阿尔茨海默病 (AD) 呈现神经解剖学异质性,使理解和治疗复杂化.
- 识别前进性AD亚型及其遗传基础对于药物发现至关重要.
- 现有的聚类方法往往忽略了生存数据,限制了对疾病进展的洞察力.
研究的目的:
- 开发一种可解释的生存分析方法,用于集群轻度认知障碍 (MCI) 患者.
- 确定不同的MCI亚组,具有转化为阿尔茨海默病的不同风险.
- 利用遗传数据验证已识别的亚型.
主要方法:
- 拟议的深度集群生存机器 (DCSM),集成歧视性和生成性机制.
- 使用参数分布 (专家分布) 的混合物建模生存数据.
- 基于患者特征的专家分布的学习实例特定权重.
主要成果:
- 成功将MCI患者分组成具有差异性AD转换风险的子组.
- 证明了DCSM在生存分析中优于传统的聚类方法的优势.
- 通过遗传关联研究验证了聚类发现.
结论:
- 在神经退行性疾病中,DCSM提供了一种有效的,可解释的方法来识别亚型.
- 该方法有助于理解疾病异质性和风险分层.
- 这些发现支持DCSM在促进阿尔茨海默病研究和治疗开发方面的实用性.
