改善阿尔茨海默病干预：结合MEG和MRI流水线进行生物标志物检测的机器学习方法

脑磁图（MEG）是一种非侵入性神经影像技术，具有出色的时间和空间分辨率，对于研究痴呆和阿尔茨海默病中的大脑功能至关重要。它们能够在阿尔茨海默病的各个阶段（包括临床前和前驱期）识别大脑活动的变化。MEG可能在临床症状出现之前检测到病理变化，为干预提供潜在的生物标志物。本研究评估了使用MEG特征区分健康对照组和轻度认知障碍参与者的分类技术（数据来自BioFIND研究）。我们独立并结合地比较了基于MEG的生物标志物与基于MRI的解剖特征。我们使用了来自324名BioFIND参与者的3特斯拉MRI和MEG数据（158名MCI和166名HC）。分析使用MATLAB结合SPM12和OSL工具箱进行。机器学习分析，包括100次蒙特卡洛重复的10折交叉验证，在传感器空间和源空间上进行。结合MRI与MEG特征取得了最佳性能；使用LCMV源基MEG的GLMNET达到0.76准确率和0.82的AUC。仅使用MEG的LCMV和eLORETA分析也表现良好，表明结合未经校正的MEG与z分数校正的MRI特征是最优的。