HiMAL:多模式分层多任务辅助学习框架,用于预测阿尔茨海默病的进展

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 轻度认知障碍 (MCI) 是阿尔茨海默病 (AD) 的前身.
• 准确预测MCI到AD过渡对于及时干预至关重要.
• 现有的预测模型往往缺乏多式联运数据集成和纵向分析.

研究的目的:

• 开发和验证一种新的多模式框架,分层多任务辅助学习 (HiMAL),用于预测认知复合函数.
• 为了估计从MCI过渡到AD的纵向风险.
• 为预测疾病进展提供临床信息解释.

主要方法:

• 利用来自阿尔茨海默氏病神经成像计划 (ADNI) 数据集的多模式纵向数据 (成像,认知,临床).
• 开发了HiMAL框架,用于在6个月内预测AD转化.
• 将HiMAL性能与使用AUROC和AUPRC指标的最先进基线进行比较.
• 进行了废弃研究以确定模式贡献,并提供了纵向解释.

主要成果:

• 与单任务,单模式基线 (AUROC=0.923,AUPRC=0.623) 相比,HiMAL表现出优异的预测性能.
• 剥离分析确定成像和认知得分是预测准确性的关键贡献者.
• 该模型成功地以高准确度 (P < .05) 预测了疾病进展.

结论:

• HiMAL框架提供了一种强大而准确的方法来预测MCI到AD的进展.
• 模型解释为认知衰退提供了临床相关的见解.
• 由于HiMAL依赖于EHR数据,这表明对高风险患者的临床监测和管理有很大的转化潜力.