机器学习提供了阿尔茨海默氏症阶段的细微差别视图

该模型表明，与认知正常或无症状的人相比，预测具有轻度认知障碍的人未来会陷入痴呆症更容易、更准确。与此同时，研究人员发现，对于认知正常的受试者，对于较长时间范围的预测不太准确，但对于具有轻度认知障碍的个体，情况恰恰相反。

该模型还表明，磁共振成像 (MRI) 是对处于两个阶段的人有用的预后工具，而跟踪分子生物标志物的工具，如正电子发射断层扫描 (PET) 扫描，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衰退的多模式预测：一项实证研究”于 11 月 16 日在 PLOS ONE 上发表。主要作者是电气和计算机工程领域的博士生 Batuhan Karaman。

阿尔茨海默病可能需要数年，有时甚至数十年才能发展，然后才会出现症状。一旦确诊，一些人的病情会迅速下降，但其他人可能会带着轻微的症状生活多年，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，为时已晚。大脑已经发生了很多损伤，而且是不可逆转的损伤，”威尔康奈尔医学院工程学院电气和计算机工程副教授以及威尔康奈尔医学院放射学电气工程副教授、资深作者 Mert Sabuncu 说。

“我们确实需要能够及早发现阿尔茨海默病，”Sabuncu 说，“并且能够判断谁进展快，谁进展慢，这样我们就可以对不同的风险人群进行分层，并能够部署无论我们有什么治疗选择。”

临床医生通常关注单一的“时间范围”——通常是三到五年——来预测患者的阿尔茨海默病进展。根据 Sabuncu 的说法，时间框架似乎是任意的，他的实验室专门分析生物医学数据——尤其是成像数据，重点是神经科学和神经病学。

Sabuncu 和 Karaman 与斯坦福大学的长期合作者和合著者 Elizabeth Mormino 合作，使用神经网络机器学习来分析五年来关于认知正常或有轻度认知障碍的个人的数据。这些数据是在阿尔茨海默病神经影像学倡议的一项研究中捕获的，涵盖了从个人遗传史到 PET 和 MRI 扫描的所有内容。

“我们真正感兴趣的是，我们能否查看这些数据并判断一个人在未来几年是否会进步？”萨本库说。 “而且重要的是，当我们结合我们对单个主题的所有后续数据点时，我们能否在预测方面做得更好？”

研究人员发现了几个值得注意的模式。例如，预测一个人将从无症状转变为出现轻微症状在一年的时间范围内比五年要容易得多。然而，预测某人是否会从轻度认知障碍退化为阿尔茨海默氏痴呆症在较长的时间线上最为准确，“最佳时间点”约为四年。

“这可以告诉我们一些关于潜在疾病机制的信息，以及它是如何随时间演变的，但这是我们尚未探究的事情，”Sabuncu 说。

关于不同类型数据的有效性，模型显示 MRI 扫描对无症状病例提供的信息最多，特别有助于预测某人在未来三年内是否会出现症状，但对轻度认知障碍患者的预测帮助较小.一旦患者出现轻度认知障碍，PET 扫描（测量淀粉样蛋白和 tau 蛋白等某些分子标记）似乎更有效。

机器学习方法的一个优势是神经网络足够灵活，即使缺少数据也能发挥作用，例如可能跳过 MRI 或 PET 扫描的患者。

在未来的工作中，Sabuncu 计划进一步修改模型，以便它可以处理完整的成像或基因组数据，而不仅仅是汇总测量，以收集更多信息以提高预测准确性。

该研究得到了美国国立卫生研究院国家医学图书馆和国家衰老研究所以及国家科学基金会的支持。