基于MRI信息的机器学习驱动的大脑年龄模型用于分类轻度认知障碍转换器.

科学领域:

• 神经成像是一种神经成像.
• 生物标志物 生物标志物
• 神经退行性疾病 神经退行性疾病

背景情况:

• 大脑年龄模型估计大脑年龄和大脑预测年龄差异 (大脑-PAD) 作为潜在的成像标记.
• 这些标记物有助于监测正常衰老,并识别神经退行性疾病的诊断前阶段的个体.

研究的目的:

• 在正常衰老和轻度认知障碍 (MCI) 转换器中研究大脑年龄模型.
• 评估大脑年龄模型在分类MCI转换中的实用性.

主要方法:

• 使用了来自Cam-CAN和OASIS-2项目的结构磁共振成像 (MRI) 数据.
• 大脑年龄模型是使用支持向量机 (SVM) 算法构建的,该算法基于像总内体积 (TIV) 和灰质体积 (GMV) 这样的形态特征.
• 模型在基线和随访点对正常衰老 (NA) 成人和MCI转换器进行了测试.

主要成果:

• 与NA成年人相比,MCI转换者在所有时间点都显示出基于TIV和基于GMV的左脑年龄显著增加.
• 较高的大脑预测年龄差异 (大脑-PAD) 分数与较差的全球认知相关.
• 基于TIV和基于左转基因病毒的大脑年龄模型在区分MCI转换器与NA成年人方面取得了可接受的表现 (AUC分别为0.698和0.703).

结论:

• 这项研究在MRI知情的大脑年龄模型中展示了特征特征的模式.
• 在MCI转换器中,基因转基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因基因
• 这些发现增强了用于疾病监测和个性化治疗的定量成像标记.