预测MCI和阿尔茨海默氏病的进展在机器学习的结构性大脑完整性和其他特征
Marthe Mieling1, Mushfa Yousuf2, Nico Bunzeck3,4
1Department of Psychology, University of Lübeck, Ratzeburger Allee 160, 23562, Lübeck, Germany. m.mieling@uni-luebeck.de.
GeroScience
|April 26, 2025
概括
机器学习模型使用脑部扫描和生物标志物准确预测阿尔茨海默病 (AD) 的进展. 特定的大脑区域,如海马和脑内皮层,在疾病的发展轨迹中发挥着不同的作用.
科学领域:
- 神经成像和计算神经科学
- 发现神经退行性疾病的生物标志物.
背景情况:
- 机器学习 (ML) 在使用结构性MRI对阿尔茨海默病 (AD) 进行分类方面表现有前途.
- 大脑区域,人口统计和蛋白质病变对阿尔茨海默氏症进展的具体贡献仍然不清楚.
研究的目的:
- 用ML对认知状态进行分类 (认知正常,轻度认知障碍,AD痴呆症).
- 确定驱动AD进展的关键特征,并区分转化轨迹.
主要方法:
- 在阿尔茨海默病神经成像计划 (ADNI) 数据中应用极端梯度增强和SHAP值.
- 利用结构性MRI,脑脊液状态,人口统计和遗传数据进行分类.
- 进行横截面和纵向分析以建模疾病进展.
主要成果:
- 在分类中获得了70-77%的准确性和61-83%的精度.
- 确定了CSF状态,海马体积,内腔厚度和杏仁体积作为关键预测特征.
- 证明海马体属性预测转化为MCI,而脑内皮层变化预测转化为AD痴呆.
结论:
- 机器学习模型为AD进展提供了可解释的,轨迹特定的洞察力.
- 结构性MRI特征,结合生物标志物,可以有效地模拟AD的临床和病理轨迹.
- 研究结果强调了不同区域对阿尔茨海默病进展的不同阶段的不同贡献.
