iScience：对MCI患者进行分层分析，可预测AD患者转化风险，有效提高治疗水平-杭州脑海科技有限公司

点击【下方卡片】关注我们~最新前沿资讯抢先看

开放转载，欢迎大家转发到朋友圈和微信群

可添加小编微信【13295818579】获取原文

预计在未来几年内，全球数百万阿尔茨海默病（AD）患者的医疗费用将超过1万亿美元。除了健康的负担外，患者及其陪护人员还承受着经济、身体和心理上的压力。在药物治疗方面，经常会由于患者接受治疗太晚而失败。因此，在早期阶段识别出哪些患者是AD的高风险患者是非常重要的。

2023年8月2日，波士顿大学的Vijaya B. Kolachalama博士及其研究团队在iScience（IF=5.8）上发表了题为“Deep learning for risk-based stratification of cognitively impaired individuals”的文章，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）患者在转化为AD的风险对其进行分层。研究通过创建神经网络与生存分析融合的模型，将可能从MCI转化为AD的风险进行量化、分层，以帮助研究人员确定哪些患者需要进行早期干预。

研究团队研究了来自阿尔茨海默病神经成像倡议（ADNI）和美国国家阿尔茨海默合作中心（NACC）的数据，根据患者的脑脊液中的β淀粉样蛋白水平将轻度认知障碍（MCI）患者分成几组。研究人员通过患者灰质体积的模式来确定风险组，并通过专家评估来验证研究的发现。

基于风险程度分组的患者

深度学习框架示意图

分组并确认风险组

在该研究中，研究人员开发了将神经网络与生存分析相结合的模型，进而预测从轻度认知障碍到阿尔茨海默病的进展。然后，研究将模型预测与生物学证据联系起来，用来证实阿尔茨海默病的诊断。

研究结果表明，与AD相关的大脑区域，如内侧颞叶是预测转化风险的最重要的大脑区域之一，这也确保了研究的发现与既定的医学知识是保持一致的。

研究人员表示，该研究通过使用常规信息（如结构功能磁共振成像，sMRI）来量化从MCI到AD的转化风险，这代表了神经学和计算机科学交叉领域的创新，并强调了模型与生物学证据的一致性。

本研究中，研究人员使用了一种广泛应用的非侵入性技术，即将深度神经网络与结构MRI结合起来。此外，研究将最先进的深度学习方法结合SHAP（SHapley Additive exPlanations），以增加机器学习模型的透明度和可解释性，研究人员因此可以识别出对预测疾病风险来说特别重要的区域。

第一作者&通讯作者

Vijaya B. Kolachalama

参考文献

Romano, M. F., Zhou, X., Balachandra, A. R., Jadick, M. F., Qiu, S., Nijhawan, D. A., ... & Kolachalama, V. B. (2023). Deep learning for risk-based stratification of cognitively impaired individuals.iScience.

资讯来源

https://medicalxpress.com/news/2023-08-strategy-stratify-mild-cognitive-impairment.html

欢迎加入前沿资讯交流群，入群方式：

添加小编微信13295818579

备注（姓名-工作单位/院校-研究方向-文献交流）

（可扫描下方二维码）