预测认知衰退:深度学习揭示了在MCI前阶段的微妙大脑变化
Ling Yue1, Yongsheng Pan2, Wei Li1
1Department of Geriatric Psychiatry, Shanghai Mental Health Center, Shanghai Jiao Tong University School of Medicine, 600 South Wanping Road, 200032, Shanghai, China; Alzheimer's Disease and Related Disorders Center, Shanghai Jiao Tong University, 600 South Wanping Road, 200032, Shanghai, China.
这项研究使用深度学习和MRI扫描来预测正常认知的个体中轻度认知障碍 (MCI) 的进展. 开发的进步指数 (PI) 显示了早期发现和干预阿尔茨海默病风险状态的潜力.
科学领域:
- 神经成像和人工智能的人工智能
- 计算神经科学是一种神经科学.
- 老年医学 老年医学
背景情况:
- 轻度认知障碍 (MCI) 和主观认知衰退 (SCD) 是认可的痴呆症风险状态,包括阿尔茨海默病 (AD).
- 预测从正常认知 (NC) 转换为MCI对于早期干预至关重要,但仍然具有挑战性.
- 在临床症状出现之前,微妙的早期神经病理性大脑变化需要先进的检测方法.
研究的目的:
- 识别早期结构神经成像生物标志物,区分稳定与渐进性认知衰退.
- 在MRI数据上使用深度学习开发和验证MCI转换的预测模型.
- 建立一个"渐进指数" (PI) 来评估AD转换风险.
主要方法:
- 开发了一个结合单一ROI网络 (SRNet) 和多个ROI网络 (MRNet) 的深度学习框架.
- 该框架是在阿尔茨海默病神经成像计划-1 (ADNI-1) 数据库 (n=845) 上进行训练的.
- 对ADNI-2 (n=321) 和中国纵向衰老研究 (CLAS) (n=109) 数据集进行了验证.
主要成果:
- 深度学习模型确定了与进展相关的关键大脑区域 (海马体,杏仁体,叶,胰岛,小脑).
- 由此衍生的渐进指数 (PI) 根据认知状态 (稳定与渐进) 有效地对受试者进行了分类.
- 在CLAS数据集中,PI表现出强大的预测能力 (p<0.001),与临床测量相结合时性能提高 (AUC=0.812).
结论:
- 对MRI扫描的深度学习分析可以有效地预测正常认知个体的MCI进展.
- 该研究强调了深度学习在从NC过渡到MCI时识别早期大脑变化的潜力.
- 这种方法为了解疾病机制和促进早期发现AD风险提供了一个有希望的途径.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
06:23The 4 Mountains Test: A Short Test of Spatial Memory with High Sensitivity for the Diagnosis of Pre-dementia Alzheimer's Disease
Published on: October 13, 2016
相关概念视频
Alzheimer's Disease: Overview
The clinical diagnosis of AD hinges on the presence of memory and other cognitive impairments. Biomarkers, such as changes in Aβ...
Cognitive Development During Adulthood
Dementia
The progression of dementia is generally gradual....
Language and Cognition
