一项关于机器学习模型在使用脑脊髓液生物标志物检测阿尔茨海默病患者认知障碍的研究
Vivek K Tiwari1, Premananda Indic1, Shawana Tabassum1
1Department of Electrical & Computer Engineering, University of Texas at Tyler, Tyler, TX, USA.
American journal of Alzheimer's disease and other dementias
|December 10, 2024
概括
脑脊液生物标志物,如粉样蛋白β1-42和T-tau,显示出早期阿尔茨海默病诊断的潜力. 机器学习模型在区分患者和健康个体方面取得了中等的准确性.
科学领域:
- 神经学 神经学
- 生物标志物研究 生物标志物研究
- 机器学习在医学中的应用
背景情况:
- 脑脊液 (CSF) 的生物标志物,包括粉样β1-42,总 (T-tau) 和酸化 (P-tau),因其在早期阿尔茨海默病 (AD) 检测中的作用而得到认可.
- 目前的诊断方法经常将生物标志物水平与临床痴呆症评分结合起来,以区分阿尔茨海默病患者与健康对照.
研究的目的:
- 通过使用CSF生物标志物水平,评估标准机器学习分类器在区分痴呆患者与正常对照中的有效性.
- 根据CSF生物标记数据评估各种机器学习模型的诊断性能.
主要方法:
- 使用的标准机器学习分类器:歧视,逻辑回归,树,K-最近邻居,支持向量机,和天真贝叶斯.
- 作为分类模型的输入特征,使用了脑脊液生物标志物水平 (粉样蛋白β 1-42,T-tau,P-tau).
- 使用准确度和接收器操作特征曲线 (AUC) 下的面积来评估模型性能.
主要成果:
- 机器学习模型展示了区分认知障碍受试者和正常对照者的能力,准确度在64%至69%之间.
- 接收器操作特征的曲线下的面积 (AUC) 在0.64和0.73之间,表明分类性能中等.
- 包括两个特定的生物标志物,粉样β1-42和T-tau,导致分类准确度略有提高.
结论:
- 标准机器学习分类器可以使用中等准确度的CSF生物标志物数据将痴呆症患者与健康对照区分开来.
- 粉样蛋白β 1-42和T-tau水平是有价值的预测指标,它们与机器学习的联合使用可能会改善早期AD检测.
- 进一步的研究可以探索更先进的机器学习技术和更大的数据集,以提高阿尔茨海默病的诊断性能.
