基于蛋白质的诊断和对神经退行性疾病的共同病理的分析:大规模AI增强的CSF和血分类
Ying Xu1,2, Daniel Western1,2, Gyujin Heo1,2
1Department of Psychiatry, Washington University School of Medicine, St. Louis, MO 63110.
medRxiv : the preprint server for health sciences
|July 17, 2025
概括
这项研究开发了使用蛋白质组数据的AI分类器,以改善神经退行性疾病的诊断. 人工智能模型实现了高精度,有助于早期检测和区分复杂的疾病亚型.
科学领域:
- 生物标志物发现发现
- 人工智能在医学中的应用
- 神经科学是一个神经科学.
背景情况:
- 神经退行性疾病 (NDs) 由于重叠的病理和各种临床表现,存在诊断挑战.
- 准确的诊断对于有效治疗和管理阿尔茨海默病和帕金森病等疾病至关重要.
研究的目的:
- 开发和验证可解释的AI分类器,用于神经退行性疾病的多种疾病诊断.
- 提高诊断精度,并使用蛋白质组数据提前识别风险.
主要方法:
- 从脑脊液 (CSF) 和血中获取大规模蛋白质组数据 (>21,000个样本).
- 开发了基于增强的,多种疾病的AI分类器,具有可解释的特征.
- 使用神经病理学,临床和零射击学习方法的验证模型.
主要成果:
- 获得的高加权AUC:CSF为0.97,血为0.88,与传统生物标志物相比.
- 在不需要重新培训的情况下,在数据集中展示了强大的概括性.
- 成功分类疾病亚型 (例如,自体主导的AD,原发性PD) 并确定有风险的个体.
结论:
- 建立了一个基准计算框架,以提高神经退行性疾病的诊断准确性.
- 人工智能模型提供连续的,个体级疾病概率,量化疾病重叠和共同病理.
- 这种方法有望显著改善复杂的神经退行性疾病的临床管理.
