在鹿特丹研究中,利用深度生存神经网络进行基于图像遗传学的痴呆风险预测
Jing Yu1, Mathijs T Rosbergen1, Frank J Wolters1
1Erasmus MC University Medical Center.
Research square
|October 3, 2025
概括
深度生存神经网络有效地整合了脑部成像和遗传数据,以改善痴呆风险预测. 这种方法提高了准确性,并为疾病进展因素提供了宝贵的见解.
科学领域:
- 神经成像是一种神经成像.
- 遗传学 是一个遗传学.
- 计算生物学 计算生物学
背景情况:
- 准确的痴呆风险预测仍然是一个重大挑战.
- 整合多模式数据,包括成像和遗传学,有望提高预测准确度.
- 了解这些数据类型之间的复杂相互作用至关重要.
研究的目的:
- 探索深度生存神经网络的使用,以整合多模式数据 (MRI,遗传学) 来预测痴呆风险.
- 将这些新型模型的性能与传统的考克斯比例危险模型进行比较.
- 为模型预测提供后期解释.
主要方法:
- 利用深度生存神经网络,结合卷积神经网络 (CNN) 和考克斯比例危险 (CPH) 模型.
- 综合磁共振成像 (MRI) 扫描和基因数据 (APOE-ε4,SNP) 来自鹿特丹研究和阿尔茨海默病神经成像计划 (ADNI).
- 使用ADNI数据进行了外部验证,并提供了模型解释.
主要成果:
- 深度生存神经网络的表现优于使用年龄,性别和遗传输入的传统CPH模型 (C指数0.88/0.63与0.85/0.58).
- 将CNN图像特征纳入CPH模型实现了最高的性能 (C指数为0.90/0.69).
- 年龄,成像特征和遗传数据展示了最强的相互作用,年龄和成像对预测最重要.
结论:
- 深度学习模型可以有效地整合成像和遗传数据来预测痴呆风险.
- 该方法提供了信息化的特征提取和可靠的解释.
- 这种整合表明,在痴呆症风险评估中,有很大的预测收益的潜力.
