基于机器学习的多omics框架作为早期帕金森病认知障碍进展的预测器
Yang Luo1, YaQin Xiang1, JiaBin Liu1
1Department of Neurology, XiangYa Hospital, Central South University, No. 87 Xiangya Road, Changsha, 410008, Hunan, China.
Neurology and therapy
|February 22, 2025
概括
在帕金森病 (PD) 中预测认知障碍进展是具有挑战性的. 结合放射学,脑脊液生物标志物和遗传学的多omics方法显示了PD患者早期检测的希望.
科学领域:
- 神经成像是一种神经成像.
- 生物标志物 生物标志物
- 遗传学 是一个遗传学.
背景情况:
- 认知障碍 (CI) 是帕金森病 (PD) 的一个常见的非运动症状.
- 准确的诊断和预测PD中CI进展仍然是重大的临床挑战.
- 早期识别CI进展对于及时干预和管理至关重要.
研究的目的:
- 开发和验证一个多学科框架,用于预测早期帕金森病中CI进展.
- 通过机器学习整合放射学,脑脊液 (CSF) 生物标志物和遗传信息.
- 为了比较不同模型的预测性能 (放射学,混合,多氧学).
主要方法:
- 在基线没有CI诊断的PD患者被跟踪了5年.
- 从T1加权的MRI扫描中提取了放射学特征.
- 机器学习模型 (放射学,混合学,多态学) 被构建并验证以预测CI进展.
主要成果:
- 在额叶,叶和叶中发现了显著的放射性信号.
- 额叶放射学模型实现了0.879.9的AUC.
- 一个结合CSF Aβ水平的混合模型达到0.916.6的AUC.
- 多omics模型展示了最高的预测性能,平均AUC为0.928.
结论:
- 放射学签名有效地帮助识别早期PD的CI进展.
- 整合放射学,CSF生物标志物和遗传数据的多omics框架代表了一个有希望的方法来预测PD中CI进展.
