基于纵向多模式数据的机器学习使得对阿尔茨海默病进展的理解和预测成为可能
Suixia Zhang1,2, Jing Yuan3, Yu Sun1
1Zhejiang University, 866 Yuhangtang Rd, Hangzhou 310058, P.R. China.
iScience
|July 23, 2024
概括
这项研究开发了一种机器学习模型,以识别阿尔茨海默病 (AD) 进展模式. 该模型准确预测转化为AD痴呆症,有助于早期诊断和理解疾病异质性.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 医疗信息学 医疗信息学
背景情况:
- 阿尔茨海默病 (AD) 在表现和进展方面呈现出复杂的异质性.
- 有效的疾病模型需要在临床和研究环境中考虑这种变异性.
研究的目的:
- 引入一种机器学习模型,用于识别阿尔茨海默病 (AD) 轨迹模式.
- 用ADNI和AIBL队列的纵向,多模式数据来识别模式.
主要方法:
- 应用机器学习对来自ADNI和AIBL队列的纵向多模式数据.
- 确定了10个具有生物学和临床意义的与疾病相关的状态.
- 定义了三个不重叠的阶段:新皮层缩 (NCA),中间时缩 (MTA) 和全脑缩 (WBA).
- 具有两个不同的进展模式:NCA WBA和MTA WBA.
主要成果:
- 开发的模型确定了不同的疾病阶段和进展模式.
- 疾病相关状态指数在预测AD痴呆转化时间方面表现良好 (C指数:0.923±0.007).
结论:
- 机器学习模型增强了对异质阿尔茨海默病 (AD) 进展的理解.
- 该模型显示了早期预测转化为AD痴呆症的潜力.
