研究人员开发了一种深度学习框架，可以根据轻度认知障碍（MCI）的个体发展为阿尔茨海默病（AD）的风险对其进行分层。
波士顿大学医学院
8月4日消息
未来几年，全球千百万阿尔茨海默病患者的医疗费用预计将超过 1 万亿美元。除了巨大的健康负担外，患者及其照护者还承受着经济、身体和心理上的压力。关于 AD 药物反复失败的一个理论是，在疾病过程中，接受实验性治疗的患者选择得太晚。因此，在疾病的早期阶段识别出进展为 AD 的高风险患者非常重要。
为了帮助识别可以从早期干预中获益的人，波士顿大学（Boston University，BU）Chobanian & Avedisian 医学院的研究人员开发了一种深度学习框架，可以根据轻度认知障碍的个体发展为阿尔茨海默病的风险对其进行分层。研究结果近日发表在《交叉科学》（iScience）杂志上。
研究于2023年8月2日发表在《iScience》（最新影响因子：5.8）杂志上
“量化发展为阿尔茨海默病的风险可以帮助确定哪些人可以从早期干预中获益，”通讯作者 Vijaya B. Kolachalama 博士说，他是波士顿大学 Chobanian & Avedisian 医学院的医学副教授。
研究团队研究了来自阿尔茨海默病神经影像行动计划（ADNI）和美国国家阿尔茨海默病协调中心（NACC）的数据，根据轻度认知障碍（MCI）患者的脑脊液 β-淀粉样蛋白水平将其分组。他们研究了这些人群的灰质体积模式，以识别风险人群，并通过专家评估验证了他们的发现。
他们开发了将神经网络与生存分析相结合的模型，以预测从轻度认知障碍到阿尔茨海默病的进展。然后，他们将模型预测与生物学证据联系起来，用死后的数据证实了阿尔茨海默病的诊断。
Kolachalama 补充说：“通过利用可解释性机器学习的进展，我们证明了与 AD 相关的脑区，如内侧颞叶，是预测进展风险的最重要区域之一，从而确保我们的发现与现有的医学知识一致。”
根据研究人员的说法，这些发现代表了神经病学和计算机科学交叉的创新，同时强调了模型与生物学证据的一致性，使用常规收集的信息，如结构 MRI 来量化从 MCI 到 AD 的进展风险。
“我们将基于存活的深度神经网络与最小处理的结构 MRI 结合起来，这是一种广泛应用的非侵入性技术。此外，通过将最先进的深度学习方法与沙普利加法解释（SHAP，一种基于合作博弈论的方法）相结合，用于增加机器学习模型的透明度和可解释性，我们能够识别出对预测疾病进展风险增加特别重要的区域。”
创立于1839年的波士顿大学
参考文献
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
免责声明
本公众号上的医疗信息仅作为信息资源提供与分享，不用于或依赖于任何诊断或治疗目的。此信息不应替代专业诊断或治疗。在做出任何医疗决定或有关特定医疗状况的指导之前，请咨询你的医生。
