预测未来的粉样蛋白转化:基线粉样蛋白分布的作用,遗传和认知性
Amirali Vahid1, Jafar Zamani1, S M Hadi Hosseini1
1Computational Brain Research and Intervention (C-Brain) Lab, Department of Psychiatry and Behavioral Sciences, School of Medicine, Stanford University, 1520 Page Mill Rd, Palo Alto, CA USA.
NPJ dementia
|December 8, 2025
概括
机器学习准确地预测了阿尔茨海默病 (AD) 粉样蛋白β (Aβ) 转化时间. 较高的基线Aβ负担,APOE4同性和较低的认知预测更快的进展,有助于早期干预.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 阿尔茨海默病 (AD) 涉及在认知能力下降之前早期的粉样β (Aβ) 积累.
- 过度的Aβ积累是早期AD的关键指标,但转化模式尚不清楚.
研究的目的:
- 开发和验证用于预测粉样β (Aβ) 转化时间的机器学习模型.
- 确定阿尔茨海默病中加速Aβ阳性的关键预测因素.
主要方法:
- 利用了来自阿尔茨海默病神经成像计划 (ADNI) 的纵向粉样蛋白β (Aβ) PET成像数据.
- 开发了一个基于生存的机器学习模型来估计Aβ转换时间.
- 采用SHAP分析来确定转换的重要预测因素.
主要成果:
- 该模型实现了强大的预测准确性 (一致性指数 = 0.845).
- 较高的基线Aβ负担 (面对面,条形区域),APOE4同性和较低的认知表现预测了更快的转化.
- 卡普兰-梅尔分析估计过渡时间的中位数为4.06年.
结论:
- 机器学习模型对早期阿尔茨海默病 (AD) 风险预测有希望.
- 识别有更快Aβ转化风险的个体可以为及时的干预策略提供信息.
