使用机器学习将阿尔茨海默病神经退行性病变与典型大脑衰老解耦
机器学习
2021-09-09 v1 计算机视觉与模式识别
医学物理
神经元与认知
摘要
区分典型大脑衰老与阿尔茨海默病 (AD) 的神经影像生物标志物对于确定两者各自对认知衰退的贡献程度具有重要价值。机器学习模型能够推导出与这两个过程相关的多变量大脑变化模式，包括本文研究的 SPARE-AD（用于识别阿尔茨海默病的萎缩空间模式）和 SPARE-BA（大脑衰老的萎缩空间模式）。然而，这两个过程所影响的大脑区域之间存在大量重叠，干扰了对它们的独立测量。我们提出了一种将两者解耦的方法学。分析了来自 iSTAGING（基于影像的衰老与神经退行性疾病坐标系）联盟的 4,054 名参与者（48-95 岁）的 T1 加权 MRI 图像，这些参与者患有 AD、轻度认知障碍 (MCI) 或认知正常 (CN)。首先，纯粹基于临床诊断选取 AD 患者和 CN 成人的子集，以训练 SPARE-BA1（使用 CN 个体进行年龄回归）和 SPARE-AD1（CN 与 AD 的分类）。其次，基于临床和分子标志物选取类似组别以训练 SPARE-BA2 和 SPARE-AD2：淀粉样蛋白阳性 (A+) AD 连续组（由 A+AD、A+MCI 以及 A+ 和 tau 阳性的 CN 个体组成）和淀粉样蛋白阴性 (A-) CN 组。最后，使用 AD 连续组与 A-/CN 个体的合并组来训练 SPARE-BA3，旨在估计与 AD 相关大脑变化无关的大脑年龄。解耦后的 SPARE 模型推导出的大脑模式更特异于这两种大脑变化。SPARE-BA 与 SPARE-AD 之间的相关性显著降低。解耦后的 SPARE-AD 与分子测量值及 APOE4 等位基因数量的相关性不劣于原模型，但与 AD 相关心理测量测试分数的相关性降低，表明大脑高级衰老对这些分数有贡献。
引用
@article{arxiv.2109.03723,
title = {Disentangling Alzheimer's disease neurodegeneration from typical brain aging using machine learning},
author = {Gyujoon Hwang and Ahmed Abdulkadir and Guray Erus and Mohamad Habes and Raymond Pomponio and Haochang Shou and Jimit Doshi and Elizabeth Mamourian and Tanweer Rashid and Murat Bilgel and Yong Fan and Aristeidis Sotiras and Dhivya Srinivasan and John C. Morris and Daniel Marcus and Marilyn S. Albert and Nick R. Bryan and Susan M. Resnick and Ilya M. Nasrallah and Christos Davatzikos and David A. Wolk},
journal= {arXiv preprint arXiv:2109.03723},
year = {2021}
}
备注
4 figures, 3 tables