在帕金森病中进行三类认知状态分类的子项目级多尺度评估和机器学习

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学信息学 生物医学信息学

背景情况:

• 在帕金森病 (PD) 中,认知障碍很常见,需要准确的早期分类才能进行有效的干预.
• 区分正常认知 (PD-NC),轻度认知障碍 (PD-MCI) 和痴呆症 (PDD) 对于患者管理至关重要.

研究的目的:

• 开发和验证一种机器学习框架,用于对帕金森病患者的认知状态进行分类.
• 为了提高模型的解释性,使用SHapley添加式扩展 (SHAP) 来提高临床相关性.

主要方法:

• 利用了来自帕金森病进展标记计划 (PPMI) 队列的数据.
• 与SMOTE-Tomek一起开发了一种两级合奏模型 (XGBoost和MLP) 来解决阶级不平衡.
• 使用严格保留验证和SHAP进行特征重要性分析.

主要成果:

• 在所有三个认知子组 (PD-NC,PD-MCI,PDD) 中都取得了强大而平衡的分类表现.
• 在识别认知障碍的个体方面表现出很高的准确性,AUC超过0.85,用于三类歧视.
• SHAP分析证实了MoCA分数和日常生活评估活动等预测因素的临床意义.

结论:

• 提出的可解释的两阶段模型为帕金森病患者提供了强大的认知分层.
• 该模型显示了作为早期痴呆风险识别和神经病学临床决策支持的可扩展工具的潜力.
• 在广泛临床实施之前,建议在不同的队列上进行外部验证.