基于海马体体积的多变量模式分析,对阿尔茨海默病的识别和认知功能预测

科学领域:

• 神经成像和机器学习
• 阿尔茨海默氏症疾病研究研究
• 计算神经科学是一种神经科学.

背景情况:

• 阿尔茨海默病 (AD) 的特征是渐进的海马缩.
• 通过使用机器学习分析神经成像数据,可以改善早期诊断AD和轻度认知障碍 (MCI).
• 了解海马变化与疾病严重程度之间的关系至关重要.

研究的目的:

• 开发机器学习模型,用于识别阿尔茨海默病 (AD) 和缓解认知障碍 (aMCI).
• 通过海马体的结构磁共振成像 (sMRI) 来预测AD严重程度范围内的认知功能.
• 利用机器学习进行神经退行性疾病的准确诊断和预后.

主要方法:

• 利用了120名阿尔茨海默氏症痴呆患者,232名aMCI患者和206名健康对照 (HC) 的高分辨率sMRI数据,这些数据来自阿尔茨海默氏症神经成像计划 (ADNI).
• 用于分类的支持矢量机 (SVM) 和用于认知预测的相关性矢量回归 (RVR),分析海马体积.
• 使用基于生物标志物的重新分组方法和独立的本地数据集验证的模型.

主要成果:

• SVM实现了很高的分类准确率:94.17% (HC与HC对比). 阿尔茨海默病),80.85% (HC与aMCI) 和70.74% (aMCI与aMCI). AD).). 在此之前,我一直在寻找.
• 在三年内,RVR显著预测了基线和纵向认知功能.
• 在验证方法和数据集中观察到一致的结果.

结论:

• 分析双边海马体结构的机器学习模型有效地区分AD严重程度.
• 这些模型在预测基线和纵向认知功能方面都具有很高的准确性.
• 这些发现支持在海马体sMRI上使用机器学习来改善AD诊断和监测.