机器学习了微妙的阿尔茨海默氏症的阶段
![Feed-forward, fully-connected neural network architecture. Nonlinear models have rectified linear units (ReLU) between layers. Final layer implements a soft-max. Ll: Number of neurons in layer l. Input features include following. Demog.: Deomographics. Clinical Assess.: Clinical Assessments. Cog. Assess.: Cognitive Assessments. Baseline DX: Baseline Diagnosis. prob.: probability. Credit: <i>PLOS ONE</i> (2022). DOI: 10.1371/journal.pone.0277322 机器学习了微妙的阿尔茨海默氏症的阶段](https://scx1.b-cdn.net/csz/news/800a/2022/machine-learning-gives-1.jpg)
由康奈尔大学合作利用机器学习来确定最准确的方式和时间的预测阿尔茨海默病的发展人们认知正常或轻度认知障碍。
建模表明,预测未来下降为轻度认知障碍患者痴呆更容易和更精确的比认知正常(或无症状)的个人。与此同时,研究人员发现,认知正常受试者不准确的预测时间视野,但对轻度认知障碍的人来说,情况恰恰相反。
建模还表明,磁共振成像(MRI)是一种有用的预后的工具,人们在这两个阶段,而追踪分子的工具生物标记物,如正电子发射断层扫描(PET)扫描,经历了轻度认知障碍的人更有用。
团队的纸,“基于机器学习的综合预测未来的下降对阿尔茨海默氏症:一个实证研究,”发表在11月16日《公共科学图书馆•综合》。第一作者是Karaman Batuhan,博士生在电气和计算机工程领域。
阿尔茨海默病可能需要花费数年的时间,有时几十年,一个人表现出症状之前进步。一旦确诊,一些人迅速下降但其他人可以忍受轻微症状多年,这使得预测疾病发展的挑战。
“当我们可以自信地说有人痴呆,为时过晚。很大的伤害已经发生在大脑不可逆的损害,”莫特Sabuncu资深作者说,副教授的电气和计算机工程学院工程和电气工程在威尔康奈尔医学放射学。
“我们真的需要能够捕获早期阿尔茨海默氏症,”Sabuncu说,”并能告诉谁会进步快,谁来进步缓慢,这样我们就可以分层不同的高危人群和能够部署任何治疗方案。”
临床医生往往集中在一个“时间范围”。通常的三到五年中预测阿尔茨海默氏症病人的进展。时间表可以显得太随意,根据Sabuncu,其实验室专门从事生物医学data-particularly成像数据的分析,重点是神经科学和神经学。
Sabuncu Karaman与长期的合作者和斯坦福大学的合著者伊丽莎白Mormino使用机器学习神经网络,分析五年的数据对个人认知正常或轻度认知障碍。捕获的数据,在一个由阿尔茨海默病的神经影像学研究,包含从一个人的遗传历史PET和MRI扫描。
“我们真正感兴趣的是,我们可以看看这些数据,告诉一个人是否会在即将到来的年进展?”Sabuncu说。”,重要的是,我们能做得更好在预测我们结合所有后续点个人课程?”
研究人员发现一些显著的模式。例如,预测一个人将从无症状表现出轻微的症状容易得多一年的时间,而五年。然而,预测如果有人将下降从轻度认知障碍到阿尔茨海默氏症痴呆更长的时间是最准确的,大约四年的“甜蜜点”。
“这可能会告诉我们一些关于潜在疾病机制,以及如何暂时演变,但这是我们还没有探索,“Sabuncu说。
对于不同类型的数据的有效性,模型显示,MRI扫描信息为无症状病例最多,尤其有助于预测如果有人会出现症状在接下来的三年,但有助于预测患有轻度认知障碍的人。一旦病人开发温和认知障碍PET扫描,测量某些分子标记如蛋白质淀粉样蛋白和τ,似乎更有效。
机器学习方法的一个优点是,神经网络是足够灵活,他们可以函数尽管缺失的数据,如患者可能跳过MRI和PET扫描。
在未来的工作中,Sabuncu计划进一步修改模型,以便它可以处理完成成像或基因组数据,而不仅仅是总结测量,获取更多的信息,提高预测精度。