早期诊断阿尔茨海默氏症:机器学习分析利用结构性MRI
Suhail Ahmad Dar1, Nasheed Imtiaz2, Rameez Ahmad Dar3
1School of Intervowen Arts and Sciences (SIAS), KREA University, Chennai, India.
Current Alzheimer research
|March 1, 2026
概括
这项研究表明,通过基于表面的形态测量 (SBM) 测量皮下缩,可以在轻度认知障碍 (MCI) 患者中检测早期阿尔茨海默病 (AD) 进展. 使用这些SBM指标的机器学习模型准确地预测了AD转化,有助于早期诊断.
科学领域:
- 神经成像是一种神经成像.
- 生物标志物 生物标志物
- 机器学习 机器学习
背景情况:
- 阿尔茨海默氏症 (AD) 与显著的大脑缩有关,通常通过结构性MRI检测到.
- 皮下退化及其从轻度认知障碍 (MCI) 到AD的进展尚未得到充分研究.
- 早期发现AD对于及时干预和管理至关重要.
研究的目的:
- 在从MCI过渡到AD的个体中识别呈现渐进性缩的皮层下区域.
- 评估基于表面的形态测量 (SBM) 度量用于早期AD诊断的潜力.
- 用SBM数据评估机器学习模型在使用SBM数据对AD进展的分类和预测方面的有效性.
主要方法:
- 对ADNI数据集的纵向分析,包括转换为AD的MCI患者和健康对照 (HC).
- 利用基于表面的形态测量 (SBM) 来量化68个皮层区域的皮层厚度 (CTh),化指数 (GI) 和深度 (SD).
- 经过训练和测试的机器学习 (ML) 模型来区分MCI-to-AD转换器 (MCI-AD) 和HC在多个时间点 (6个月至3年).
主要成果:
- 与HC相比,在MCI-AD患者的特定皮下区域检测到显著的缩.
- 机器学习模型准确地将MCI-AD从HC分类,在以后的时间点中性能得到改善.
- 皮层厚度 (CTh) 显示出最显著的下降,其次是层深度 (SD) 和化指数 (GI).
结论:
- 皮层下SBM指标,特别是CTh,作为早期AD相关缩和疾病进展的敏感生物标志物.
- 在SBM特征上训练的ML模型为早期AD检测和预测提供了一个可扩展和准确的框架.
- 这些发现突显了SBM和ML在识别患有AD风险的个体方面的实用性,促进了早期干预策略.
