多模式机器学习方法用于早期检测神经退行性疾病,利用大脑MRI和可穿戴传感器数据

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 生物医学工程 生物医学工程

背景情况:

• 像阿尔茨海默氏症和帕金森症这样的神经退行性疾病 (NDD) 是老年人群面临的主要健康挑战.
• 结构磁共振成像 (sMRI) 大脑参数和可穿戴设备加速度计数据是NDD的已知预测因素,但已独立研究.
• 现有的研究缺乏综合这些不同的数据模式进行NDD预测的全面分析.

研究的目的:

• 调查是否结合sMRI大脑参数和加速度计数据可以提高阿尔茨海默氏症和帕金森病的预测和预后,而不是单独使用sMRI.
• 评估机器学习模型的预测性能,包括sMRI,加速度计,多基因风险得分 (PRS) 和NDD发展的生活方式因素.
• 在一个集成的数据集中识别有助于NDD预测的关键特征.

主要方法:

• 利用了大量的英国生物库队列 (19,793名参与者),在基线没有NDD,经过纵向跟踪 (平均5.9年).
• 收集的sMRI大脑参数,可穿戴设备加速度计数据,PRS和生活方式信息.
• 采用机器学习算法 (XGBoost) 来构建和比较事件NDD的预测模型,在数据捕获后至少一年诊断的病例中.

主要成果:

• 综合sMRI,加速度计,PRS和生活方式数据的综合模型实现了最高的曲线下面积 (AUC) 0.819.
• 一个不包括sMRI参数的模型表现不佳,产生0.688.68的最低AUC.
• 特性重要性分析强调sMRI参数作为主要预测因素 (20中18个),加速度计数据提供额外的预测价值 (20中2个).

结论:

• 将结构性MRI大脑参数与可穿戴设备的加速度计数据相结合,显示出预测神经退行性疾病发生率的巨大潜力.
• sMRI参数对于NDD预测至关重要,但加速度计数据提供了补充的见解.
• 需要在不同人群中进行进一步的前性研究来验证这些发现,并探索特定NDD的差异性预测能力.