研究人員開發(fā)了一種深度學習框架，可以根據(jù)輕度認知障礙（MCI）的個體發(fā)展為阿爾茨海默�。ˋD）的風險對其進行分層。

波士頓大學醫(yī)學院

8月4日消息

未來幾年，全球千百萬阿爾茨海默病患者的醫(yī)療費用預計將超過 1 萬億美元。除了巨大的健康負擔外，患者及其照護者還承受著經濟、身體和心理上的壓力。關于 AD 藥物反復失敗的一個理論是，在疾病過程中，接受實驗性治療的患者選擇得太晚。因此，在疾病的早期階段識別出進展為 AD 的高風險患者非常重要。

為了幫助識別可以從早期干預中獲益的人，波士頓大學（Boston University，BU）Chobanian & Avedisian 醫(yī)學院的研究人員開發(fā)了一種深度學習框架，可以根據(jù)輕度認知障礙的個體發(fā)展為阿爾茨海默病的風險對其進行分層。研究結果近日發(fā)表在《交叉科學》（iScience）雜志上。

研究于2023年8月2日發(fā)表在《iScience》（最新影響因子：5.8）雜志上

“量化發(fā)展為阿爾茨海默病的風險可以幫助確定哪些人可以從早期干預中獲益，”通訊作者 Vijaya B. Kolachalama 博士說，他是波士頓大學 Chobanian & Avedisian 醫(yī)學院的醫(yī)學副教授。

研究團隊研究了來自阿爾茨海默病神經影像行動計劃（ADNI）和美國國家阿爾茨海默病協(xié)調中心（NACC）的數(shù)據(jù)，根據(jù)輕度認知障礙（MCI）患者的腦脊液 β-淀粉樣蛋白水平將其分組。他們研究了這些人群的灰質體積模式，以識別風險人群，并通過專家評估驗證了他們的發(fā)現(xiàn)。

他們開發(fā)了將神經網絡與生存分析相結合的模型，以預測從輕度認知障礙到阿爾茨海默病的進展。然后，他們將模型預測與生物學證據(jù)聯(lián)系起來，用死后的數(shù)據(jù)證實了阿爾茨海默病的診斷。

Kolachalama 補充說：“通過利用可解釋性機器學習的進展，我們證明了與 AD 相關的腦區(qū)，如內側顳葉，是預測進展風險的最重要區(qū)域之一，從而確保我們的發(fā)現(xiàn)與現(xiàn)有的醫(yī)學知識一致。”

根據(jù)研究人員的說法，這些發(fā)現(xiàn)代表了神經病學和計算機科學交叉的創(chuàng)新，同時強調了模型與生物學證據(jù)的一致性，使用常規(guī)收集的信息，如結構 MRI 來量化從 MCI 到 AD 的進展風險。

“我們將基于存活的深度神經網絡與最小處理的結構 MRI 結合起來，這是一種廣泛應用的非侵入性技術。此外，通過將最先進的深度學習方法與沙普利加法解釋（SHAP，一種基于合作博弈論的方法）相結合，用于增加機器學習模型的透明度和可解釋性，我們能夠識別出對預測疾病進展風險增加特別重要的區(qū)域。”

創(chuàng)立于1839年的波士頓大學

參考文獻

Source：Boston University School of Medicine

Researchers Propose a Data-driven Strategy to Stratify Risk of Progression from Mild Cognitive Impairment to Alzheimer’s disease

Reference：

Michael F. Romano et al, Deep learning for risk-based stratification of cognitively impaired individuals, iScience (2023). DOI: 10.1016/j.isci.2023.107522

免責聲明

本公眾號上的醫(yī)療信息僅作為信息資源提供與分享，不用于或依賴于任何診斷或治療目的。此信息不應替代專業(yè)診斷或治療。在做出任何醫(yī)療決定或有關特定醫(yī)療狀況的指導之前，請咨詢你的醫(yī)生。

       原文標題 : 研究者提出了一種將輕度認知障礙進展為阿爾茨海默病的風險分層的策略