使用机器学习的血生物标志物和临床信息准确和可靠地预测胺β的脑沉积
Jiayuan Xu1, Andrew J Doig2, Sofia Michopoulou3,4
1Department of Electrical and Electronic Engineering, University of Manchester, Manchester, United Kingdom.
Frontiers in aging neuroscience
|September 3, 2025
概括
机器学习模型使用血液生物标志物和临床数据准确预测大脑粉样蛋白-β (Aβ) 的阳性,为阿尔茨海默病诊断提供了成本有效的PET扫描替代方案.
科学领域:
- 神经学
- 生物标志物
- 机器学习
背景情况:
- 阿尔茨海默病 (AD) 是一种普遍的神经退行性疾病,其特征是粉样蛋白β (Aβ) 积累.
- 阳离子发射断层扫描 (PET) 是Aβ检测的黄金标准,但成本昂贵且难以获得.
- 开发一种低成本的脑Aβ沉积诊断方法对于早期发现阿尔茨海默病至关重要.
研究的目的:
- 开发和验证用于预测大脑Aβ阳性的机器学习算法.
- 使用血生物标志物,遗传信息和临床数据作为输入特征.
- 为阿尔茨海默病的诊断建立一个成本效益高的替代PET成像.
主要方法:
- 来自阿尔茨海默病神经影像计划 (ADNI) 的1043名患者的分析和来自CNTN数据集的127名患者的验证.
- 使用的血生物标志物 (Aβ42,Aβ40,pTau 181,NfL),阿波利波蛋白E (APOE) 基因型,以及临床数据 (MMSE,MoCA,年龄,教育,性别).
- 采用机器学习算法,包括决策树,随机森林,支持向量机和多层感知器,具有特征选择和匹配技术.
主要成果:
- 在11个特征的ADNI数据集上,获得了0.95的ROC曲线下的面积 (AUC).
- 在外部CNTN数据集上验证该模型,达到0. 90的AUC.
- 仅使用五个关键特征 (pTau 181,Aβ42/40,Aβ42,APOE ɛ4计数,MMSE) 的简化模型在341名ADNI患者中达到0. 87的AUC.
结论:
- 机器学习模型有效地使用可访问的数据预测大脑Aβ状态.
- 开发的方法对独立的数据集具有很强的概括性.
- 这种方法为阿尔茨海默病的诊断提供了成本效益高且准确的PET成像替代方案.
