生物标志物 生物标志物

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 机器学习 (ML) 模型对于阿尔茨海默病 (AD) 的分期至关重要,但由于方法不清楚,通常会产生相互矛盾的结果.
• 这限制了它们在临床试验中的临床实用性和患者分层.
• 提出了一种新的自动化ML (autoML) 方法,通过减轻偏差和提高预测准确度来解决这些局限性.

研究的目的:

• 开发和评估一种新的自动化ML (autoML) 框架,用于准确地分类阿尔茨海默病 (AD) 阶段.
• 在预测建模中减轻实验者的偏见和任意决策.
• 提高AD分期的临床实用性,用于临床试验中的患者分层.

主要方法:

• 开发了一个AutoML-multiverse框架,使用贝叶斯优化导航2万个ML管道.
• 数据驱动的集合是通过将多种管道集成到堆叠模型中来构建的.
• 分类任务包括认知正常 (CN) 与认知正常 (CN) 相比. 艾滋病,艾滋病与轻度认知障碍 (MCI) 与CN相比,以及稳定的MCI (sMCI) 与渐进的MCI (pMCI),使用结构性MRI和来自ADNI数据集的临床数据.

主要成果:

• 独立的ML模型显示出有限的预测性能;堆叠的组合提供了边际改进.
• 自动ML衍生组合在所有诊断任务中始终实现了卓越的准确性.
• 自动ML组合在区分sMCI和pMCI方面实现了77.55%的平衡精度,证明了MRI数据的临床相关性.

结论:

• 与单个ML管道相比,AutoML-多元框架显示出优越的预测性能.
• 它可以实现数据驱动的集体构建,减少偏见和任意决策.
• 该框架通过整合神经成像来准确地分层患者,特别是用于区分疾病进展率,在试验中显示出潜在的临床实用性.