在具有机器学习的认知正常和轻度认知障碍个体中预测转化:CSF状态是否仍然相关?

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物标志物研究 生物标志物研究

背景情况:

• 机器学习 (ML) 有助于诊断轻度认知障碍-阿尔茨海默病 (MCI-AD) 的频谱.
• 当前的ML模型通常需要在临床环境中不常见的数据.
• 这项研究引入了一种新的ML方法,使用标准临床数据来预测认知衰退.

研究的目的:

• 开发和验证一个多步式的ML模型,用于预测阿尔茨海默病风险人群的认知恶化.
• 用标准临床数据 (SCD) 评估模型的预测准确性.
• 研究大脑脊髓液 (CSF) 生物标志物对预测准确性的影响,并了解模型的决策过程.

主要方法:

• 具有正常认知和MCI的参与者从阿尔茨海默氏症神经成像倡议 (ADNI) 数据集中进行了选择.
• 参与者根据总/粉样β 1-42 的比率进行了分类.
• 采用多步ML方法来预测3年转化,利用SCD和CSF生物标记信息. 进行了沙普利增量解释 (SHAP) 分析.

主要成果:

• 在预测认知恶化方面,ML模型实现了84%的整体准确性.
• 准确性在子组中更高:阴性CSF患者的86%,AD类CSF患者的88%.
• SHAP分析显示,CSF阳性和CSF阴性组之间的转换具有不同的预测因素和截止值.

结论:

• 开发的ML方法证明了使用标准临床数据对认知衰退的良好预测准确性.
• 基于CSF生物标志物的分类显著提高了模型的预测准确性.
• 优化神经心理测试的切断值可以进一步改善认知转换的预测.