使用多式模式来预测阿尔茨海默病的进展和临床亚型

科学领域:

• 神经成像是一种神经成像.
• 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:

• 阿尔茨海默病 (AD) 呈现异质的临床过程,使得早期预测和子组鉴定变得困难.
• 目前的方法通常依赖于单一的数据类型和广泛的分类,限制了预后准确性.

研究的目的:

• 创建和验证一个综合3DMRI和临床数据的多式模式框架.
• 将AD患者分为临床上有意义的进展亚型.
• 预测个人的认知和记忆轨迹,直到48个月后的基线.

主要方法:

• 利用了ADNI-2数据集 (n=453) 与3D T1加权的MRI和临床指标.
• 使用预训练的Med3D网络提取MRI特征;结合认知,功能和遗传数据.
• 采用非负矩阵因子化和K介质来识别子组;评估纵向模型 (LSTM变体,CNN,变压器) 与SHAP进行解释性.

主要成果:

• 根据集群指标,确定了三个不同的预后子组 ("低"",温和"",快速").
• 带有注意力的多模式LSTM表现出卓越的性能,在6个月,12个月和48个月达到0.196,0.203和0.261的低平均绝对误差 (MAE).
• SHAP分析显示,记忆和语言特征是认知轨迹的关键预测因素.

结论:

• 开发了一个可解释的,自动化的多模式框架,用于AD患者分层和认知预测.
• 该框架使得可靠的子组识别和个性化的预后,长达四年.
• 支持阿尔茨海默病患者的有针对性的临床决策.