一种机器学习方法用于识别早期轻度认知障碍的解剖生物标志物
Alwani Liyana Ahmad1,2,3, Jose M Sanchez-Bornot4, Roberto C Sotero5
1Department of Fundamental and Applied Sciences, Faculty of Science and Information Technology, Universiti Teknologi PETRONAS, Seri Iskandar, Perak, Malaysia.
PeerJ
|December 17, 2024
概括
机器学习模型有效地从MRI扫描中识别阿尔茨海默氏症 (AD) 生物标志物,帮助早期检测认知能力下降. 数据协调和交叉验证提高了临床应用的预测准确性.
科学领域:
- 神经成像和机器学习
- 发现神经退行性疾病的生物标志物
背景情况:
- 阿尔茨海默氏病 (AD) 是一个重要的神经退行性挑战,需要早期检测才能进行干预.
- 磁共振成像 (MRI) 是阿尔茨海默氏症研究的成本效益高且易于使用的工具.
研究的目的:
- 分析基于MRI的生物标志物选择和分类在早期AD检测中的机器学习 (ML) 方法.
- 要区分稳定的健康对照 (HC) 和那些在五年内发展轻度认知障碍 (MCI) (不稳定的HC或uHC) 的人.
主要方法:
- 使用了来自ADNI和OASIS-3数据集 (HC和uHC组) 的3特斯拉 (3T) MRI数据.
- 使用Freesurfer提取了解剖生物标志物;应用ML进行特征选择和分类,并进行嵌套交叉验证和贝叶斯优化.
- 采用数据协调技术 (例如z-score),并使用准确性,AROC,F1-score和MCC'评估分类器.
主要成果:
- 关键的生物标志物在内腔,海马,侧心室和侧轨道前额区域中被确定.
- 性能因数据集和平衡而异;天真贝叶斯 (ADNI平衡) 和SVM (OASIS-3平衡) 显示出强的结果.
- 在不平衡的数据集中,RUSBoost表现出色;SVM和Naïve Bayes在ADNI和OASIS-3的特定指标上表现出色.
结论:
- 数据协调,特别是z-score,显著提高了ML分类的性能和一致性.
- 嵌套交叉验证对于控制早期AD检测模型中的过拟合至关重要.
- 使用MRI的半自动管道显示了早期AD检测的潜力,未来将多式联络神经成像数据集成.
