机器学习驱动的预测阿尔茨海默氏症风险的大脑年龄:APOE4基因型和性别影响
Carter Woods1, Xin Xing2, Subash Khanal3
1Department of Physics, University of Missouri, Columbia, MO 65211, USA.
Bioengineering (Basel, Switzerland)
|September 27, 2024
概括
机器学习模型使用MRI扫描准确预测大脑年龄,有助于早期发现阿尔茨海默病 (AD). 阿波利波蛋白E4 (APOE4) 基因显著影响大脑衰老和AD风险,改善模型性能.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 遗传学 是一个遗传学.
背景情况:
- 阿尔茨海默病 (AD) 是痴呆的主要原因.
- 阿波利波蛋白E4 (APOE4) 基因型和性别是AD的重要风险因素.
- 预测大脑年龄可能有助于了解阿尔茨海默症的发病过程.
研究的目的:
- 开发和评估用于预测大脑年龄的机器学习 (ML) 模型.
- 评估APOE4基因型和性别对大脑衰老和AD风险的影响.
- 利用MRI数据探索ML在早期AD检测中的实用性.
主要方法:
- 利用了来自1100名认知正常患者和602名阿尔茨海默病患者的大脑体积核磁共振 (MRI) 数据.
- 应用XGBoost,随机森林 (RF) 和线性回归 (LR) 模型来预测大脑年龄.
- 引入了用于绩效评估的大脑年龄差异 (BAD) 和综合差异 (ID) 的指标.
主要成果:
- 与时间学年龄相比,AD患者的大脑年龄显著增加 (BAD 6.5-10年).
- 射频模型在预测大脑年龄方面表现出卓越的准确性.
- 携带APOE4的患者表现出增强的模型性能和一致的大脑年龄预测.
- 模型在不同性别中表现同样好.
结论:
- 机器学习模型有效地从MRI预测大脑年龄,支持早期AD风险识别.
- APOE4基因型显著影响大脑衰老和AD风险.
- 人工智能驱动的大脑年龄预测对早期的AD检测和干预充满希望.
