对阿尔茨海默病亚型发现的多模式深度集群生存机器

科学领域:

• 生物医学数据科学是生物医学数据科学.
• 医学中的人工智能
• 计算生物学是一种计算生物学.

背景情况:

• 目前的生存聚类方法通常使用单个数据类型,并将风险预测与患者亚型分开.
• 需要一个统一的方法来整合不同的生物标志物,同时发现子组和风险预测.

研究的目的:

• 引入一个新的统一框架,多模式深度聚类生存机器 (MMDCSM),用于综合生物标志物分析.
• 通过使用多模式数据,同时发现患者子组并预测疾病转化风险.

主要方法:

• MMDCSM使用特定模式的多层感知子 (MLPs) 编码单个数据模式.
• 嵌入式被合并为一个共同的代表,用于集成分析.
• 生存结果是使用韦布尔专家分布的混合模型来定义亚型和估计生存曲线的生存结果.

主要成果:

• 在382名轻度认知障碍 (MCI) 患者的队列中,MMDCSM在识别阿尔茨海默病 (AD) 转换的不同低风险和高风险子组方面表现优于现有方法.
• 该框架在预测个性化的疾病进展时间表方面取得了竞争力的准确性.
• 包括海马体在内的关键大脑区域被确定为在区分高风险转换器方面具有影响力.

结论:

• MMDCSM提供了一个强大的,统一的框架,用于整合多模式生物标志物数据进行生存分析.
• 该方法使MCI患者的早期风险分层更准确,更容易进行有针对性的干预.
• 这种方法有望改善AD进展的管理和潜在预防.