多民族亚洲人群中的大脑年龄预测:机器学习算法及其用于早期认知障碍诊断的应用的比较

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 生物标志物开发 生物标志物开发

背景情况:

• 从神经成像中获得的大脑年龄显示了早期神经退行检测的潜力.
• 方法变化和有限的种族数据阻碍了大脑年龄模型的临床使用.
• 为不同的人口开发准确和可解释的模型至关重要.

研究的目的:

• 为一个多民族的亚洲人群创建一个精确和可理解的机器学习大脑年龄模型.
• 评估模型在识别早期认知衰退方面的有效性.
• 为了解决现有的大脑年龄预测方法的局限性.

主要方法:

• 开发了9个机器学习模型,使用406个认知正常个体的结构性MRI特征.
• 使用平均绝对误差 (MAE) 和皮尔森相关系数 (R2) 评估模型性能.
• 根据特征的重要性,利用了SHapley添加式扩展 (SHAP),并将最佳模型应用于跨认知状态的独立队列.

主要成果:

• 在17个特征上训练的整体模型 (线性回归,拉索,SVR) 实现了4.04年的偏差校正MAE和0.59的R2.
• 关键预测因素包括胸膜,侧腔室,腹部区域和灰质体积.
• 该模型成功地在认知群体 (NCI,CIND,痴呆症) 中区分了大脑年龄.

结论:

• 使用结构性MRI的可解释组合机器学习模型提供了可靠的BrainAGE生物标志物.
• 这种模型能够检测多民族亚洲人群的早期认知衰退.
• 这些发现支持将大脑年龄作为神经退行症生物标志物的临床翻译.