机器学习为阿尔茨海默症的分期提供了细致入微的视角
康奈尔大学(Cornell university)领导的一项合作使用机器学习来确定最准确的方法和时间表,以预测认知正常或有轻度认知障碍的人患阿尔茨海默氏症的进展。
该模型表明,与认知正常(或无症状)个体相比,预测轻度认知障碍个体未来衰退为痴呆更容易、更准确。与此同时,研究人员发现,对认知正常的受试者的预测在较长时间内不太准确,但对有轻度认知障碍的个体来说,情况恰恰相反。
该模型还表明,磁共振成像(MRI)是一个有用的预测工具的人在这两个阶段,而跟踪分子的工具生物标记物,比如正电子发射断层扫描(PET),对有轻度认知障碍的人更有用。
该团队的论文《基于机器学习的阿尔茨海默病未来下降的多模态预测:一项实证研究》于11月16日发表在《公共科学图书馆•综合》.该研究的第一作者是电气和计算机工程领域的博士生Batuhan Karaman。
阿尔茨海默氏症可能需要数年甚至数十年的时间才能出现症状。一旦确诊,一些人的病情会迅速恶化,而另一些人则可以在轻微症状的情况下存活数年,这使得预测疾病的发展速度成为一项挑战。
“当我们可以自信地说某人患有痴呆症时,已经太晚了。许多损伤已经发生在大脑中,而且是不可逆的损伤,”资深作者Mert Sabuncu说,他是工程学院电子与计算机工程和威尔康奈尔医学院放射学电子工程的副教授。
“我们真的需要能够在早期发现阿尔茨海默氏症,”Sabuncu说,“并且能够分辨出谁进展快,谁进展慢,这样我们就可以对不同的风险群体进行分层,并能够部署我们所拥有的任何治疗方案。”
临床医生通常只关注一个单一的“时间范围”——通常是3年或5年——来预测患者的阿尔茨海默症进展。Sabuncu的实验室专门研究生物医学数据的分析,特别是图像数据,重点是神经科学和神经学,他说,这个时间框架似乎是随意的。
Sabuncu和Karaman与斯坦福大学的长期合作伙伴兼合著者Elizabeth Mormino合作,使用神经网络机器学习来分析5年来关于认知正常或有轻度认知障碍的个人的数据。这些数据是阿尔茨海默病神经成像计划(Alzheimer’s Disease Neuroimaging Initiative)在一项研究中捕获的,包括从个人的遗传历史到PET和MRI扫描的一切。
萨班库说:“我们真正感兴趣的是,我们能否通过观察这些数据来判断一个人在未来几年是否会进步?”“重要的是,当我们结合我们对单个主题的所有后续数据点时,我们能更好地进行预测吗?”
研究人员发现了几个值得注意的模式。例如,在一年的时间范围内,预测一个人从无症状过渡到出现轻微症状比预测五年要容易得多。然而,预测一个人是否会从轻度认知障碍衰退为阿尔茨海默氏症痴呆在较长时间内是最准确的,“最佳时间点”大约是四年。
Sabuncu说:“这可以告诉我们疾病的潜在机制,以及它是如何在时间上演变的,但这是我们还没有探索的东西。”
关于不同类型数据的有效性,建模表明,MRI扫描对无症状病例最有帮助,尤其有助于预测某人在未来三年是否会出现症状,但对有轻度认知障碍的人的预测帮助较小。一旦病人病情轻微认知障碍在美国,PET扫描似乎更有效。PET扫描可以测量淀粉样蛋白和tau蛋白等特定分子标记物。
机器学习方法的一个优势是,神经网络足够灵活,即使缺少数据,它们也能正常工作,比如患者可能跳过了核磁共振或正子发射正电子发射(PET)扫描。
在未来的工作中,Sabuncu计划进一步修改建模,使其能够处理完整的图像或基因组数据,而不仅仅是总结测量,以获取更多的信息,提高预测的准确性。