针对阿尔茨海默病的机器学习衍生生物标记切断值:在临床前和临床前阶段的验证和应用
Wei Wang1,2,3,4, Shuangshuang Hou1,5, Bo Wang6,7,8
1Innovation Center for Neurological Disorders and Department of Neurology, Xuanwu Hospital, Capital Medical University, 45 Changchun Street, Beijing 100053, China.
iScience
|December 1, 2025
概括
这项研究开发了机器学习模型,以识别阿尔茨海默病痴呆症 (ADD) 生物标志物. 这些模型在早期患者中显示出强烈的一致性,改善了临床试验的参与者选择.
科学领域:
- 神经科学是一个神经科学.
- 生物标志物发现发现
- 机器学习在医学中的应用
背景情况:
- 阿尔茨海默病痴呆症 (ADD) 诊断依赖于临床评估和生物标志物.
- 建立可靠的生物标志物截止值对于准确的诊断和早期检测至关重要.
- 现有的方法在临床前和临床前阶段识别个体时可能缺乏准确性.
研究的目的:
- 为了获得和验证阿尔茨海默病痴呆症 (ADD) 的生物标志物切断值.
- 评估这些切线在临床前和前期阿尔茨海默病 (AD) 阶段的一致性.
- 通过使用机器学习,在早期AD临床试验中增强参与者分层.
主要方法:
- 利用机器学习 (ML) 来开发用于ADD识别的预测模型和生物标志物切断值.
- 分析了来自中国认知和衰老研究 (COAST) 和中国家族阿尔茨海默氏病网络 (CFAN) 队列的数据.
- 雇佣协议测试以验证认知正常和轻度认知障碍 (CN + MCI) 参与者的生物标志物一致性.
主要成果:
- 对于COAST的最佳ML模型包括CSF Aβ42/40,p-tau和MTA-L (AUC=0.841) 或CSF Aβ42/ptau,Aβ42/ttau和MTA-L (AUC=0.820).
- 对CFAN的最佳ML模型包括左前皮相对体积和MTA-L (AUC=0.935) 或左海马和前皮相对体积 (AUC=0.806).
- 衍生的生物标志物切断值在CN + MCI参与者中显示出显著的一致性,与ADD诊断保持一致.
结论:
- 机器学习增强的生物标志物值改善了早期阿尔茨海默病 (AD) 试验中的参与者分层.
- 经过验证的生物标志物切断值显示出在不同疾病阶段识别ADD的前景.
- 这种方法可以帮助开发更有效的AD诊断和治疗策略.
