可解释机器学习用于阿尔茨海默病中海马体缩的风险分层,使用CSF红细胞负载和临床数据

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 老年学是一门学科.

背景情况:

• 海马缩是阿尔茨海默病 (AD) 进展的关键指标.
• 可访问和可解释的机器学习 (ML) 模型用于识别高风险AD患者是有限的.
• 早期识别高风险个体对于优化护理和临床试验丰富至关重要.

研究的目的:

• 开发一种可解释的ML模型,利用临床数据和脑脊液红细胞负载 (CTRED) 来根据海马体积下降将AD患者分为高风险或低风险组.
• 评估不同ML模型 (SVM,逻辑回归,峰分类器) 对于海马缩风险的预测性能.
• 确定导致海马体体积下降风险的关键预测因素.

主要方法:

• 利用了多次MRI和基线腰部穿刺的ADNI参与者的数据.
• 开发并测试了ML模型,包括SVM,后勤回归和Ridge分类器.
• 使用PFI和SHAP用于模型可解释性和预测特征的识别.

主要成果:

• 所有测试的ML模型都实现了对AD患者的相同分类,分为高风险或低风险组.
• 斜坡分类器显示了最高的歧视 (AUC = 1.00),其次是后勤回归 (AUC = 0.889) 和SVM (AUC = 0.667).
• 模型的可解释性强调了MAPres和性别作为主要预测因素,CTRED有所贡献,年龄对影响很小.

结论:

• 结合临床数据和CTRED的可解释的ML模型可以有效地根据海马缩风险对AD患者进行分层.
• 这个模型可以帮助计划阿兹海默症患者的随访和血管评估.
• 需要在更大的队列中进一步验证;这项研究是第一个使用CTRED来预测AD中的海马缩风险的研究.