基于机器学习增强的 MRI 与临床特征非遗忘型阿尔茨海默病诊断
机器学习
2026-01-27 v2 神经元与认知
定量方法
摘要
阿尔茨海默病 (AD) 被定义为大脑中淀粉样斑块和 tau 蛇形缠结的异常积累，可通过 PET 或脑脊液 (CSF) 分析基于蛋白质生物标志物进行高精度诊断。然而，由于生物标志物采集的侵入性，大多数 AD 诊断是在记忆诊所中通过认知测试和基于 MRI 的海马萎缩评估完成的。虽然临床评估和海马体积对遗忘型或典型 AD (tAD) 显示出较高的诊断准确性，但相当一部分具有非典型表现 (atAD) 的 AD 患者经常被误诊。为了改善 atAD 患者的诊断，我们提出了一种机器学习方法，利用作为标准护理收集的临床测试组合和 MRI 数据来区分 atAD 与非 AD 认知障碍。我们使用来自一个私有数据集和来自国家阿尔茨海默病协调中心 (NACC) 及阿尔茨海默病神经影像学计划 (ADNI) 的两个公共数据集的四个组别（273 名 tAD、184 名 atAD、235 名非 AD 和 685 名认知正常）的 1410 名受试者开发并评估了我们的方法。我们使用临床特征和海马体积以及来自全脑的全面 MRI 特征集进行了多次 atAD 与非 AD 分类实验。通过纳入额外的重要 MRI 特征取得了最佳性能，优于仅使用海马体积的方法。此外，我们使用 Boruta 统计方法识别并可视化区分各诊断组的重要脑区。我们的 ML 方法将正确诊断的 atAD 病例百分比（召回率）在 NACC 中从 52% 提高到 69%，在 ADNI 中从 34% 提高到 77%，同时保持了高精度。所提出的方法对于在临床环境中仅使用临床测试组合和 MRI 提高非遗忘型 atAD 的诊断准确性具有重要意义。
引用
@article{arxiv.2601.15530,
title = {Machine learning-enhanced non-amnestic Alzheimer's disease diagnosis from MRI and clinical features},
author = {Megan A. Witherow and Michael L. Evans and Ahmed Temtam and Hamid R. Okhravi and Khan M. Iftekharuddin},
journal= {arXiv preprint arXiv:2601.15530},
year = {2026}
}
备注
10 pages, 4 figures, 4 tables