机器学习诊断轻度认知障碍使用先进的扩散MRI和CSF生物标志物

科学领域:

• 神经成像和机器学习
• 发现神经退行性疾病的生物标志物

背景情况:

• 神经成像中的机器学习通过识别微妙的大脑变化来帮助医学诊断.
• 先进的扩散MRI (dMRI) 方法用于痴呆前的分类尚未得到充分研究,特别是在CSF生物标志物方面.

研究的目的:

• 评估dMRI参数和CSF生物标志物的分类潜力,以区分认知正常与轻度认知障碍 (MCI).
• 评估dMRI和CSF生物标志物在早期阿尔茨海默病 (AD) 检测中的联合性能.

主要方法:

• 实现了XGBoost机器学习模型.
• 评估的dMRI参数 (NODDI,C-NODDI,MAP,SMI) 和CSF生物标志物 (Tau,pTau,Aβ42,Aβ40) 进行了评估.
• 评估dMRI和CSF数据的双对组合.

主要成果:

• MAP-RTAP (AUC=0.78) 和pTau/Aβ42 (AUC=0.76) 是最重要的个人生物标志物.
• 结合C-NODDI衍生的C-NDI和Aβ42/Aβ40产生了最高的性能 (AUC=0.84,精度=0.84).
• 其他组合优化了灵敏度 (0.93) 或特异性 (0.88).

结论:

• 对于MCI分类,dMRI生物标志物提供了与CSF生物标志物相比较的性能.
• 结合dMRI和CSF生物标志物显著提高了分类性能.
• dMRI是有效的改善早期AD检测.