预测机器学习和多式联络数据,以开发高灵敏度的复合生物标志物,用于弗里德里希病的疾病进展
Susmita Saha1,2, Louise A Corben1,3,4, Louisa P Selvadurai1
1School of Psychological Sciences, The Turner Institute for Brain and Mental Health, Monash University, 18 innovation walk, Clayton campus, Clayton, Victoria, Australia.
Scientific reports
|May 21, 2025
概括
研究人员使用机器学习和神经成像开发了先进的生物标志物,以准确地测量弗里德里希缺血症 (FRDA) 的严重程度和进展. 这种复合生物标志物对改善这种罕见的神经疾病的临床试验和药物发现充满希望.
科学领域:
- 神经科学是一个神经科学.
- 生物标志物发现发现
- 机器学习在医学中的应用
背景情况:
- 弗里德里希缺血症 (FRDA) 是一种罕见的遗传性神经退行性疾病,目前没有治愈方法.
- 客观,敏感的生物标志物对于评估FRDA临床试验中的治疗疗效和加速药物发现至关重要.
- 现有的措施可能缺乏强有力的临床试验评估所需的敏感性和客观性.
研究的目的:
- 开发和验证用于评估FRDA疾病严重程度和进展的新型,多领域,客观的复合生物标志物.
- 利用机器学习整合多式神经成像和背景数据,以提高生物标志物性能.
- 建立比现有的FRDA尺度更敏感和临床相关的生物标志物.
主要方法:
- 利用了来自IMAGE-FRDA纵向研究的31名FRDA患者和31名对照者的数据.
- 采用了弹性网预测机器学习回归模型.
- 综合多式数据包括结构MRI,扩散MRI,定量敏感性成像 (QSI) 和临床/遗传背景信息.
主要成果:
- 一个来自机器学习的复合生物标志物准确地预测了弗里德里希性衰竭评分表 (FARS) 评分 (R2 = 0.79).
- 复合生物标志物在两年内表现出对疾病进展的高度敏感性 (科恩d = 1.12),单独表现优于FARS (d = 0.88).
- 使用阿塔克西亚评估和评级尺度 (SARA) 的验证证实了ML衍生复合方法的稳定性.
结论:
- 整合多式联网数据的机器学习衍生复合生物标志物提供了FRDA严重性和进展的敏感和客观衡量标准.
- 这些新型生物标志物有可能作为补充或替代标志物,在临床实用性方面超过单个措施.
- 进一步验证和整合额外的数据模式对于将这些生物标志物转化为临床实践和FRDA临床试验至关重要.
