生物标志物 生物标志物

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 计算神经科学是一种神经科学.

背景情况:

• 了解大脑衰老的异质性对于早期发现神经退行和临床试验招募至关重要.
• 机器学习显示出有希望的结果,但通常只使用横截面数据忽略动态的病理变化.
• 这项研究利用了一种新的框架,即合横截面和纵向非负矩阵因子化 (CCL-NMF),来分析脑缩异质性.

研究的目的:

• 开发和应用一种新的机器学习框架 (CCL-NMF),它结合了静态和动态的大脑变化,用于分析与衰老相关的大脑缩.
• 为了比较CCL-NMF与纯截面模型 (Surreal-GAN) 的性能,以了解大脑衰老异质性.
• 评估CCL-NMF对各种临床结果的预测性能及其对外部数据集的适用性.

主要方法:

• CCL-NMF框架使用相互约束的NMF方法结合了横截面和纵向数据.
• 分析了12项神经成像研究中的48,949名 (≥50岁) 个体的结构性MRI数据.
• 用Surreal-GAN,回归模型和Cox比例危险模型进行比较分析进行了性能评估,并通过NiChart.com进行了样本外负荷估计.

主要成果:

• CCL-NMF确定了与阿尔茨海默病,认知衰退和心血管风险因素相关的七种不同的脑缩成分.
• 与横截面的超现实-GAN模型相比,CCL-NMF提供了更丰富的表示和更好的预测性能.
• 证明了CCL-NMF负载的高可靠性,使得无的样本外应用成为可能.

结论:

• 通过整合各种数据类型,CCL-NMF为理解大脑衰老和神经退行提供了一个强大的和可解释的框架.
• 该框架的性能优于纯粹的横截面方法,为临床结果提供了更高的预测准确性.
• CCL-NMF通过可访问网络的服务器,方便对外部数据集的简单应用,促进更广泛的研究使用.