老龄化作为阿尔茨海默氏症疾病分类中的积极参与者:从BrainAge模型中特征选择的洞察力

科学领域:

• 神经科学是一个神经科学.
• 生物标志物发现发现
• 计算生物学 计算生物学

背景情况:

• BrainAge模型使用神经成像或临床数据估计生物大脑年龄.
• 这些模型对研究神经退行性疾病如阿尔茨海默氏症有前途.
• 神经成像特征中的与年龄相关的偏见可能会混阿尔茨海默病的诊断.

研究的目的:

• 调查年龄偏差对BrainAge模型对阿尔茨海默病诊断的影响.
• 为了确定特征选择是否可以减轻衰老和疾病病理学之间的混效应.
• 为了比较BrainAge deltas与阿尔茨海默氏症病期分级的直接特征分类的实用性.

主要方法:

• 按年龄和辨别能力的相关性排列神经影像和神经心理特征.
• 经过训练的BrainAge模型使用优化为年龄预测或疾病分类的特征子集.
• 在临床组中评估BrainAge三角误差和分类性能.
• 比较BrainAge delta分类与原始特征上的后勤回归.

主要成果:

• 神经成像特征与衰老更相关;神经心理特征更好地区分阿尔茨海默病.
• 根据年龄优化的BrainAge模型产生了低于最佳的疾病分类deltas.
• 疾病优化的BrainAge模型显示年龄预测精度降低,这表明了权衡.
• BrainAge提供了跨阶段的连续测量,与离散分类标签不同.

结论:

• 衰老显著影响基于BrainAge的阿尔茨海默氏症疾病分类.
• 特定任务的特征选择对于减轻BrainAge模型中的年龄偏差至关重要.
• 模型设计必须确保BrainAge在神经退行性疾病研究中的适当应用.