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.
Research square
|August 6, 2025
概括
这项研究开发了使用蛋白质组数据的AI模型,以准确诊断诸如阿尔茨海默氏症和帕金森氏症等神经退行性疾病 (NDs). 人工智能框架提高了诊断精度,并识别了这些具有挑战性的疾病风险的个体.
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) 因病理重叠和临床变异性而带来诊断挑战.
- 准确的诊断对于有效治疗和管理NDs至关重要.
- 目前的诊断方法可能缺乏精度,特别是在早期或复杂的情况下.
研究的目的:
- 开发和验证可解释的AI分类器,用于使用蛋白质组数据诊断多个ND.
- 评估人工智能模型在分类疾病亚型和风险方面的可通用性和准确性.
- 建立一个计算框架,以提高NDs的诊断精度.
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).
- 开发并验证了基于增强的多疾病AI分类器.
- 使用零射击学习来分类疾病亚型和风险分层.
主要成果:
- 人工智能模型实现了高性能:脑脊髓和血的加权AUC为0.97和0.88.
- 模型在不需要再培训的情况下,在神经病理和临床数据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:
- 开发的AI框架显著提高了神经退行性疾病的诊断精度.
- 这种方法可以量化个体的疾病重叠和共同病理.
- 建立了神经退行症领域计算诊断的基准.
