使用多模式成像预测临床前阿尔茨海默病的未来认知障碍:一个多站点机器学习研究
Braden Yang1, Tom Earnest1, Murat Bilgel2
1Mallinckrodt Institute of Radiology, Washington University School of Medicine in St. Louis, St. Louis, MO, USA 63110.
medRxiv : the preprint server for health sciences
|November 24, 2025
概括
机器学习模型可以预测临床前个体的阿尔茨海默病 (AD) 进展情况. 这种分层增强了针对早期疾病阶段的新型AD疗法的临床试验能力.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 预测阿尔茨海默病 (AD) 痴呆症进展对于临床试验至关重要.
- 机器学习 (ML) 是有前途的,但临床前AD的模型缺乏.
- 临床前阿尔茨海默病涉及早期的氨基粉症,没有认知障碍.
研究的目的:
- 开发和评估用于预测临床前AD进展的ML分类器.
- 评估模型在各个站点和无线电追踪器中的通用性.
- 展示ML在丰富临床试验队列中的实用性.
主要方法:
- 训练有素的ML分类器对粉样PET和MRI的成像特征进行了培训.
- 利用了来自七个地点和两个放射标志物 ([18F]-florbetapir,[11C]-匹兹堡化合物-B) 的数据.
- 员工离开一个站点和离开一个追踪器的交叉验证,以实现通用性.
主要成果:
- 在样本之外的AUC达到0.66+跨站点和0.72+跨追踪器.
- 在追溯A4试验分析中证明了增加的统计能力.
- ML分层改善了粉样蛋白积累差异的检测.
结论:
- ML模型可以有效地预测临床前AD的认知衰退.
- 使用ML的患者分层提高了临床试验的效率.
- 这种方法支持开发有针对性的AD疗法.
