Meramalkan Perkembangan Penyakit Alzheimer Menggunakan Pendekatan Pembelajaran Mendalam Pelbagai Modal

Garam Lee^1,2, Kwangsik Nho^3,4 et al

Penyakit Alzheimer(AD) ialah keadaan neurodegeneratif progresif yang ditandai dengan penurunan dalam fungsi kognitif tanpa rawatan pengubahsuaian penyakit yang disahkan. Ia adalah penting untuk rawatan tepat pada masanya untuk dikesanADpada peringkat awal sebelum manifestasi klinikal. Kemerosotan kognitif ringan (MCI) ialah peringkat pertengahan antara orang dewasa yang lebih tua secara kognitif normal danAD. Untuk meramalkan penukaran daripada MCI kepada kemungkinan AD, kami menggunakan pendekatan pembelajaran mendalam, rangkaian saraf berulang multimodal. Kami membangunkan rangka kerja integratif yang menggabungkan bukan sahaja biomarker neuroimaging keratan rentas pada garis dasar tetapi juga cecair serebrospinal longitudinal (CSF) dan biomarker prestasi kognitif yang diperoleh daripadaPenyakit AlzheimerKohort Inisiatif Neuroimaging (ADNI). Rangka kerja yang dicadangkan menyepadukan data berbilang domain membujur. Keputusan kami menunjukkan bahawa 1) model ramalan kami untuk penukaran MCI kepadaADmenghasilkan ketepatan sehingga 75 peratus (kawasan di bawah lengkung (AUC)=0.83) apabila menggunakan satu-satunya modaliti data secara berasingan; dan 2) model ramalan kami mencapai prestasi terbaik dengan ketepatan 81 peratus (AUC=0.86) apabila menggabungkan data berbilang domain membujur. Pendekatan pembelajaran mendalam berbilang modal berpotensi untuk mengenal pasti orang yang berisiko mendapat AD yang mungkin mendapat manfaat paling banyak daripada percubaan klinikal atau sebagai pendekatan stratifikasi dalam ujian klinikal.

Hubungi:joanna.jia@wecistanche.com/ WhatsApp: 008618081934791

serbuk ekstrak cistanche pdfuntukAD

Penyakit Alzheimer(AD) ialah gangguan neurodegeneratif progresif yang tidak dapat dipulihkan yang dicirikan oleh pengumpulan abnormal plak amiloid dan kekusutan neurofibrillary di otak, menyebabkan masalah dengan ingatan, pemikiran dan tingkah laku.ADadalah bentuk demensia yang paling biasa tanpa rawatan pengubahsuaian penyakit yang disahkan. Dianggarkan 5.7 juta rakyat Amerika hidup dengan AD pada 2018. Menjelang 2050, jumlah ini diunjurkan meningkat kepada hampir 14 juta1. Rawatan yang ada pada masa ini hanya memperlahankan perkembangan AD dan tiada rawatan yang dibangunkan setakat ini boleh menyembuhkan pesakit yang sudah berada dalam AD. Oleh itu, adalah penting untuk rawatan tepat pada masanya dan kelewatan perkembangan untuk membangunkan strategi untuk pengesanan AD pada peringkat awal sebelum manifestasi klinikal. Hasilnya, konsep kecacatan kognitif ringan (MCI) diperkenalkan. MCI, bentuk prodromalAD, ditakrifkan untuk menerangkan orang yang mempunyai simptom ringan kerosakan otak tetapi masih boleh melakukan tugas harian. Pesakit dalam fasa MCI mempunyai peningkatan risiko untuk berkembang menjadi demensia1-4. Sesetengah pesakit dalam peringkat MCI mereka ditukar kepada AD dalam had tetingkap masa selepas garis dasar, manakala sesetengahnya tidak. Telah dilaporkan bahawa pesakit MCI meningkat kepada AD pada kadar 10 peratus hingga 15 peratus setahun dan 80 peratus daripada pesakit MCI ini akan bertukar kepada AD selepas kira-kira enam tahun susulan5,6. Ia adalah topik yang berterusan dalam kalangan penyelidik berkaitan AD untuk mengenal pasti biomarker yang mengklasifikasikan pesakit dengan MCI yang kemudiannya berkembang menjadi AD (penukar MCI) daripada mereka yang mempunyai MCI yang tidak berkembang kepada AD (bukan penukar MCI).

Pelbagai kaedah pembelajaran mesin telah digunakan untuk mengenal pasti biomarker untuk ramalan penukaran MCI dan meningkatkan prestasinya. Mesin vektor sokongan (SVM) adalah salah satu kaedah yang sering digunakan untuk menyelesaikan masalah klasifikasi. Banyak kajian menggunakan SVM untuk ramalan penukaran MCI7–12. Pembelajaran pelbagai tugas bersama-sama dengan SVM digunakan untuk mengenal pastiAD-ciri yang berkaitan, menunjukkan ketepatan 73.9 peratus, sensitiviti 68.6 peratus, dan kekhususan 73.6 peratus7. Untuk penggunaan mata pelajaran tambahan, kaedah pembelajaran pemindahan domain menggunakan sampel tambahan sepertiADdan subjek dewasa yang lebih tua (CN) secara kognitif normal, serta subjek MCI, menunjukkan ketepatan 79.4 peratus, sensitiviti 84.5 peratus, dan kekhususan 72.7 peratus8. Analisis diskriminasi linear (LDA) telah digunakan berdasarkan data ketebalan korteks yang menunjukkan sensitiviti 63 peratus dan kekhususan 76 peratus13. Tambahan pula, penyepaduan data berbilang modaliti meningkatkan prestasi untuk ramalan penukaran MCI dengan mengekstrak biomarker berkaitan AD pelengkap daripada setiap modaliti. Cecair serebrospinal (CSF), MRI, dan biomarker prestasi kognitif digabungkan, menghasilkan ketepatan 68.5 peratus sensitiviti 53.4 peratus, dan kekhususan 77 peratus14,15. Bersama-sama dengan biomarker MRI dan CSF, status APOE ε4 telah disepadukan16.

Dalam kajian ini, untuk meramalkan penukaran MCI kepada AD, kami mencadangkan kaedah rangkaian saraf berulang multimodal, pendekatan pembelajaran mendalam, berdasarkan penyepaduan maklumat demografi, biomarker CSF longitudinal, prestasi kognitif membujur, dan biomarker neuroimaging keratan rentas di garis dasar yang diperolehi daripadaPenyakit AlzheimerKohort Inisiatif Neuroimaging (ADNI). Kaedah pembelajaran mendalam kami yang dicadangkan boleh menggabungkan data domain berbilang membujur dan mengambil data membujur panjang berubah-ubah untuk menangkap ciri temporal pada berbilang titik masa. Khususnya, sampel tidak bertindih, serta sampel bertindih daripada setiap data, boleh digunakan untuk membina model ramalan.

Keputusan

Peserta kajian.

Semua individu yang digunakan dalam analisis adalah pesertaPenyakit AlzheimerInisiatif Neuroimaging (ADNI)17,18. Matlamat keseluruhan ADNI adalah untuk menguji sama ada pengimejan resonans magnetik bersiri (MRI), tomografi pelepasan kedudukan (PET), penanda biologi lain, dan penilaian klinikal dan neuropsikologi boleh digabungkan untuk mengukur perkembangan MCI dan awal AD. Maklumat demografi, data imbasan neuroimaging mentah, genotip APOE, pengukuran CSF, skor ujian neuropsikologi dan maklumat diagnostik tersedia secara umum daripada repositori data ADNI (http://adni.loni.usc.edu). Persetujuan termaklum diperoleh untuk semua subjek, dan kajian itu telah diluluskan oleh lembaga semakan institusi yang berkaitan di setiap tapak pemerolehan data (untuk maklumat terkini, lihat http://adni.loni.usc.edu/wp-content/ themes/freshnews-dev-v2/ documents/policy/ADNI_Pengakuan_Senarai peratus 205-29-18.pdf). Semua kaedah telah dilakukan mengikut garis panduan dan peraturan yang berkaitan. Dalam kajian ini, sejumlah 1,618 peserta ADNI berumur 55 hingga 91 telah digunakan, termasuk 415 kawalan dewasa tua (CN), 865 MCI (307 penukar MCI dan 558 bukan penukar MCI), dan 338 MCI. Pesakit AD (Jadual 1).

Kami menggunakan empat jenis atau modaliti data yang berbeza: maklumat demografi, fenotip pengimejan neuro yang diukur oleh MRI, prestasi kognitif dan pengukuran CSF. Maklumat demografi termasuk umur, jantina, tahun pendidikan dan status APOE ε4. Prestasi kognitif termasuk skor komposit untuk fungsi eksekutif (ADNI-EF) dan ingatan (ADNI-MEM) yang diperoleh daripada bateri neuropsikologi ADNI menggunakan teori tindak balas item seperti yang diterangkan secara terperinci di tempat lain19. Biomarker CSF untuk AD termasuk amyloid- 1–42 peptida (A 1–42), jumlah tau (t-tau), dan tau terfosforilasi pada threonine 181 (p-tau). Biomarker neuroimaging berkaitan AD yang diukur oleh MRI termasuk volum hippocampal dan ketebalan kortikal entorhinal.

cistanche GINSENG tubulosa

Tetapan eksperimen.

Untuk menilai prestasi dan keberkesanan kaedah pembelajaran mendalam pelbagai mod membujur kami yang dicadangkan, kami menggunakan tiga skema dan membandingkan prestasinya (Jadual 2). Dalam percubaan yang dinamakan "garis dasar", 4 data modaliti pada lawatan garis dasar (prestasi kognitif, CSF, maklumat demografi dan MRI) telah digabungkan. Dalam "modal tunggal", hanya data prestasi kognitif membujur digunakan untuk peramal (kami mencuba semua modaliti tunggal lain, dan prestasi dengan skor kognitif adalah yang terbaik). Akhirnya, empat modaliti data membujur telah digabungkan dan digunakan untuk melatih pengelas dalam eksperimen yang ditandakan sebagai "dicadangkan". Jadual 3 menunjukkan statistik ringkasan setiap modaliti data dan hiperparameter yang digunakan untuk latihan GRU.

Untuk melatih model kami, subjek dalam kumpulan CN dan AD digunakan serta MCI-C dan MCI-NC. Pendekatan ini didorong oleh 8,10,11,20–22. Mereka menggunakan subjek CN dan AD untuk melatih pengelas seperti SVM23 atau pembenaman linear setempat (LLE)24, dan kemudian pengelas digunakan untuk pengelasan MCI-C dan MCI-NC. Dalam percubaan kami, CN dan AD digunakan sebagai set data tambahan untuk pra-melatih pengelas, dan kemudian MCI-C dan MCI-NC juga digunakan untuk latihan.

Kami menguji pengelas pada pesakit MCI untuk meramalkan penukaran selepas Δt dari garis dasar (6, 12, 18, dan 24 bulan) seperti yang ditunjukkan dalam Rajah 1. Disebabkan sifat data kami, saiz sampel yang tersedia untuk latihan berbeza-beza melebihi Δt ( Rajah 2). Sebagai contoh, jika AD berlaku awal dari lawatan garis dasar, maka kami mempunyai sampel latihan yang agak sedikit kerana kami mempunyai tetingkap data yang lebih kecil untuk diramalkan. Pada setiap masa ramalan (Δt), kami menjalankan 5-pengesahan silang kali ganda sebanyak 10 kali di mana setiap lipatan mempunyai nisbah subjek MCI-C dan MCI-NC yang sama. Sampel MCI telah dibahagikan kepada 5 subset, dan satu subset dipilih untuk ujian, manakala subset yang selebihnya digunakan untuk latihan.

Perbandingan ramalan penukaran MCI kepada AD menggunakan data keratan rentas pada data garis dasar dan membujur.Untuk menilai kelebihan menggunakan data membujur, kami mula-mula membandingkan prestasi dua skema: "garis dasar" dan "dicadangkan" (Rajah 3 dan 4). Secara intuitif, data daripada berbilang titik masa mempunyai lebih banyak maklumat daripada data pada satu titik masa. Oleh itu, GRU menganalisis perubahan temporal dalam prestasi kognitif dan CSF untuk mengekstrak ciri (yang tidak terkandung dalam data lawatan garis dasar) untuk ramalan penukaran MCI yang betul. Seperti yang ditunjukkan dalam Jadual 4(a,b), model ramalan berdasarkan data membujur menunjukkan prestasi yang lebih baik daripada model yang hanya menggunakan data keratan rentas pada garis dasar. Khususnya, sensitiviti ialah ukuran penting untuk tugas ramalan yang mengenal pasti kadar positif sebenar adalah penting25. Dalam ramalan penukaran MCI, pengelas dengan kadar positif benar yang lebih tinggi adalah lebih sesuai untuk rawatan tepat pada masanya.

Perbandingan ramalan penukaran MCI kepada AD menggunakan data modal tunggal dan multimodal.Untuk menilai keberkesanan penyepaduan data berbilang mod, kami membandingkan prestasi eksperimen "cadangan" dan "modal tunggal". Rajah 3 menunjukkan ketepatan "cadangan" dan model dengan satu modaliti data. Kami mengalih keluar ketepatan daripada model dengan data demografi kerana prestasi ramalan terlalu rendah. Model yang menggunakan prestasi kognitif diperhatikan sebagai yang paling tepat antara model yang menggunakan setiap modaliti data. Walaupun saiz sampel untuk data neuroimaging adalah lebih besar daripada prestasi kognitif dan biomarker CSF (Rajah 3), model dengan data neuroimaging menunjukkan kurang ketepatan. Ini kerana prestasi kognitif ialah data membujur yang mengambil kesempatan daripada memberikan rekod data yang lebih hampir kepada titik penukaran MCI. Walau bagaimanapun, model dengan prestasi kognitif menunjukkan varians sensitiviti yang sangat tinggi untuk meramalkan 18 dan 24 bulan. Adalah diperhatikan bahawa model hanya dengan prestasi kognitif bukan peramal yang stabil untuk jangka masa ramalan yang panjang manakala penyepaduan biomarker lain boleh mengurangkan varians tinggi yang dicadangkan.

Perbincangan

Kami mencadangkan pendekatan integratif untuk ramalan penukaran MCI kepada AD menggunakan pendekatan pembelajaran mendalam, lebih khusus, rangkaian saraf berulang pelbagai mod. Kaedah kami mengambil kesempatan daripada sifat membujur dan pelbagai mod data yang tersedia untuk menemui corak tak linear yang dikaitkan dengan perkembangan MCI. Untuk menilai kelebihan kaedah yang dicadangkan, kami membandingkan output prestasi daripada tiga skim: "garis dasar", "modal tunggal", dan "dicadangkan". Seperti yang diperhatikan dalam Rajah 4, "garis dasar" dan "modal tunggal" dengan biomarker ujian kognitif menunjukkan prestasi yang sama sepanjang tempoh ramalan. Menggunakan data membujur atau menggabungkan data berbilang mod adalah cara yang berkesan untuk meningkatkan kuasa ramalan oleh itu, nampaknya wajar untuk menggabungkan data berbilang mod membujur ("dicadangkan") untuk menunjukkan prestasi terbaik. Dalam Jadual 5, seperti yang diramalkan untuk tempoh selanjutnya, kebolehpercayaan peningkatan prestasi adalah lebih rendah disebabkan oleh kekurangan sampel positif. Walau bagaimanapun, kekhususan model yang dicadangkan menunjukkan prestasi yang dipertingkatkan berbanding kaedah bersaing secara konsisten. Di samping itu, keputusan ramalan model kami dibandingkan dengan kajian terdahulu dengan pendekatan pembelajaran mesin (Jadual 6). Kaedah kami menunjukkan keupayaan ramalan yang setanding walaupun kami mempunyai nisbah sampel positif dan negatif yang sangat tidak seimbang. Khususnya, sensitiviti model kami menunjukkan prestasi yang lebih tinggi manakala kekhususan adalah lebih rendah. Selain itu, Te seimbang ketepatan26, iaitu ukuran ketepatan mengambil kira sensitiviti dan kekhususan menunjukkan 0.82 untuk model kami dan 0.81 untuk27.

Kelebihan terbesar pendekatan kami ialah data longitudinal yang tidak teratur boleh digunakan. Salah satu masalah utama apabila berurusan dengan data membujur ialah langkah prapemprosesan diperlukan untuk mengendalikan panjang pembolehubah data berjujukan dan nilai yang hilang. Dalam kajian terdahulu, titik masa yang tetap dikumpul dengan mengambil data yang jatuh dalam tetingkap masa tertentu. Selain itu, fasa pengekstrakan ciri tambahan diperlukan untuk menghasilkan perwakilan ciri bersaiz tetap. Dalam langkah latihan pertama, komponen GRU yang berasingan membuat proses pengekodan, di mana data membujur diubah menjadi vektor yang mengandungi ciri sensitif AD. Selaras dengan struktur GRU, pendekatan kami mampu menerima sebarang panjang data yang tidak teratur sebagai input tanpa prapemprosesan.

Selain itu, kaedah kami boleh menggunakan sepenuhnya subjek yang tersedia daripada setiap modaliti untuk melatih pengelas kami. Ini adalah kelebihan besar dalam menghadapi kekurangan data. Seperti yang dilihat dalam Rajah 2, bilangan subjek dengan data CSF adalah yang terkecil dalam sampel bertindih. Pendekatan tradisional hanya boleh menggunakan sampel bertindih manakala sampel tidak bertindih telah ditinggalkan. Dalam kes kami, sampel tidak bertindih menyumbang kepada latihan komponen GRU individu yang dimilikinya untuk pembelajaran perwakilan yang lebih baik. Tambahan pula, data modaliti tambahan mudah disepadukan ke dalam model. Bertentangan dengan penyepaduan berasaskan kernel, kaedah penyepaduan berasaskan penyatuan boleh menggabungkan domain data lain seperti pencitraan neuro berbilang modal dan data genomik tanpa pengetahuan terlebih dahulu. Oleh itu, seterusnya, kami akan mengintegrasikan data neuroimaging dan genomik pelbagai mod untuk ciri pembelajaran yang mungkin berguna dalam meramalkan penukaran MCI awal kepada AD.

Walaupun terdapat beberapa kekuatan seperti yang diterangkan di atas, pendekatan kami mempunyai beberapa batasan. Dalam langkah latihan pertama, input setiap modaliti telah diubah menjadi vektor ciri yang dioptimumkan untuk ramalan penukaran MCI hanya dengan satu modaliti. Oleh itu, ciri yang tidak berkaitan dengan perkembangan AD berkenaan dengan modaliti tunggal akan ditapis keluar. Walau bagaimanapun, jika terdapat ciri-ciri yang tidak boleh diekstrak oleh satu modaliti tetapi hanya boleh dijelaskan dengan gabungan berbilang modaliti data maka ia juga berkemungkinan akan ditapis keluar. Ini kerana parameter dalam GRU tidak dikemas kini berbanding keputusan ramalan akhir. Dalam erti kata lain, pengoptimuman parameter untuk langkah latihan kedua tidak menjejaskan parameter dalam setiap GRU untuk pengekstrakan ciri, oleh itu setiap GRU tidak boleh belajar daripada ramalan akhir berdasarkan ciri gabungan. Untuk menyelesaikan masalah ini, kami akan memautkan GRU kepada regresi logistik pada langkah kedua supaya GRU mempelajari perwakilan ciri daripada pelbagai modaliti serta satu modaliti. Selain itu, kami merancang untuk mengubah suai struktur model kami yang membolehkan komponen GRU individu mengekstrak ciri integratif. Kami sedang menyiasat kemungkinan ini sebagai sekuel kepada kerja ini.

Kaedah

Rangkaian Neural Berulang.

Rangkaian Neural Berulang (RNN) ialah kelas seni bina pembelajaran mendalam yang digunakan apabila data berjujukan boleh dipertimbangkan. Dalam pemprosesan bahasa semula jadi (NLP), pengecaman pertuturan dan pengesanan anomali dalam siri masa, RNN popular digunakan untuk menganalisis urutan perkataan dan data siri masa28. Kelebihan menggunakan RNN ialah urutan panjang boleh ubah boleh diproses untuk mengeksploitasi corak temporal yang tersembunyi

dalam urutan yang diberikan. Dalam tugasan analisis sentimen, sebagai contoh, matlamatnya adalah untuk mengklasifikasikan sentimen (baik atau buruk) sesuatu ayat. Pengelas perlu mengambil ayat (urutan perkataan) sebagai input, memahami konteks di dalamnya dan mengembalikan sentimen yang betul sebagai output29. Untuk tugas ramalan yang mengesan diagnosis awal kegagalan jantung dalam30, RNN mengambil siri masa rekod kesihatan elektronik (EHR) menggunakan tetingkap pemerhatian 12 hingga 18-bulan. Dalam kes ini di mana input panjang boleh ubah harus ditangani dengan RNN adalah calon yang sesuai untuk digunakan.

RNN memproses satu elemen jujukan input pada satu masa dan mengemas kini keadaan ingatannya yang secara tersirat mengandungi maklumat tentang sejarah semua elemen lalu jujukan31. Keadaan tersembunyi diwakili sebagai vektor Euclidean (iaitu, urutan nombor nyata) dan dikemas kini secara rekursif daripada input pada langkah yang diberikan dan nilai sebelumnya bagi keadaan tersembunyi (Rajah 5). Katakan kita mempunyai N bilangan subjek, setiap satunya mempunyai urutan … … x xxx { ,,,,, } nn dalam Tn 1 2 di mana xin ialah rekod data bagi sampel ke-n dan unsur-t dalam satu jujukan dan T ialah panjang jujukan itu. Urutan output yang sepadan dikira secara rekursif sebagai:

Dalam model kami, jujukan keluaran terakhir yang disediakan oleh RNN dianggap sebagai vektor kebarangkalian untuk pengelasan, dan fungsi kehilangan entropi silang (persamaan (3)) digunakan untuk mengukur sejauh mana "jauh" ramalan ke-n kami daripada label kebenaran tanah ke-n masuk. Iaitu, kita memilih parameter optimum ⁎ ⁎ ⁎ W, W, W hxy yang meminimumkan kehilangan entropi silang data yang diberikan (persamaan (4)). Algoritma yang kami gunakan untuk mengoptimumkan parameter ialah Backpropagation Through Time (BPTT)32, yang mengemas kini pemberat dalam RNN untuk meminimumkan fungsi kehilangan yang diberikan. Walau bagaimanapun, apabila tugas memerlukan urutan input yang panjang untuk diproses, latihan RNN adalah sukar33. Ini dipanggil masalah pergantungan jangka panjang. Varian RNN seperti Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) telah dibangunkan dan digunakan secara praktikal untuk menyelesaikan masalah ini34,35. Dalam model yang dicadangkan, kami menggunakan GRU untuk setiap modaliti data untuk memproses berbilang titik masa input. Struktur terperinci GRU diterangkan dalam tambahan.

GRU berbilang modal untuk ramalan penukaran MCI.

Masalah kami boleh dianggap sebagai pengelasan data berurutan. Objektif klasifikasi adalah untuk meramalkan sama ada individu dengan MCI pada garis dasar ditukar kepada AD atau tidak menggunakan data jujukan, yang terdiri daripada empat modaliti termasuk prestasi kognitif, CSF, dan biomarker MRI serta maklumat demografi. Walaupun data demografi dan biomarker MRI bukan data membujur, kami akan menganggapnya sebagai data berurutan panjang satu.

Untuk menggunakan algoritma pengelasan berasaskan GRU kepada masalah kami, kami perlu mereka bentuk model yang boleh menggabungkan empat modaliti data. Idea utama model kami adalah untuk membina pengekstrak ciri GRU secara berasingan untuk setiap modaliti dan menyepadukan empat vektor ciri yang diekstrak pada penghujungnya. Model kami terdiri daripada dua langkah latihan: (1) mempelajari GRU tunggal untuk setiap modaliti data, dan (2) mempelajari perwakilan ciri integratif untuk membuat ramalan akhir. Pada langkah latihan pertama, satu GRU dilatih secara berasingan untuk setiap modaliti di mana objektif pengelasan adalah untuk meramalkan penukaran kepada AD daripada MCI. Menggunakan GRU adalah penting untuk mengambil data membujur dan mengubahnya menjadi vektor bersaiz tetap. Ini agak serupa dengan pendekatan yang dicadangkan dalam36 yang memetakan jujukan input ke dalam perwakilan panjang tetap. Dalam langkah kedua, penukaran MCI diramalkan berdasarkan empat vektor yang dihasilkan daripada setiap komponen GRU. Untuk menggabungkan empat vektor, kami memilih penyepaduan data berasaskan penggabungan, yang secara konsepnya merupakan kaedah paling mudah untuk menyepadukan berbilang sumber data ke dalam satu vektor37. Untuk ramalan akhir, l1-regresi logistik terkawal38 digunakan untuk pengelasan antara MCI-C dan MCI-NC. Gambaran keseluruhan kaedah cadangan kami digambarkan dalam Rajah 6.

Kesimpulan

Di sini, kami mencadangkan pendekatan pembelajaran mendalam berbilang mod untuk mengkaji ramalan penukaran MCI kepada AD menggunakan prestasi kognitif membujur dan biomarker CSF serta neuroimaging dan data demografi keratan rentas pada garis dasar. Kami menggunakan berbilang GRU untuk menggunakan data berbilang domain membujur dan semua subjek dengan setiap data modaliti. Keputusan kami menunjukkan bahawa kami mencapai ketepatan ramalan yang lebih baik bagi penukaran MCI kepada AD dengan memasukkan data berbilang domain membujur. Pendekatan pembelajaran mendalam berbilang modal berpotensi untuk mengenal pasti orang yang berisiko mendapat AD yang mungkin mendapat manfaat paling banyak daripada percubaan klinikal atau sebagai pendekatan stratifikasi dalam ujian klinikal.

di mana saya boleh membeli suplemen cistancheuntuk mencegah dan merawatPenyakit Alzheimer, klik di sini untuk sampel

Rujukan

1. Alzheimer, A. 2015 fakta dan angka penyakit Alzheimer. Demen Alzheimer 11, 332–384 (2015).

2. Albert, MS et al. Diagnosis gangguan kognitif ringan akibat penyakit Alzheimer: cadangan daripada kumpulan kerja Persatuan Penuaan-Alzheimer Kebangsaan mengenai garis panduan diagnostik untuk penyakit Alzheimer. Demen Alzheimer 7, 270–279

3. Jack, CR Jr. et al. Pengenalan kepada cadangan daripada kumpulan kerja Persatuan Penuaan-Alzheimer Kebangsaan mengenai garis panduan diagnostik untuk penyakit Alzheimer. Demen Alzheimer 7, 257–262,

4. Sperling, RA et al. Ke arah mentakrifkan peringkat praklinikal penyakit Alzheimer: cadangan daripada kumpulan kerja Persatuan Penuaan-Alzheimer Kebangsaan mengenai garis panduan diagnostik untuk penyakit Alzheimer. Demen Alzheimer 7, 280–292.

5. Petersen, RC et al. Kemerosotan kognitif ringan: pencirian klinikal dan hasil. Arkib neurologi 56, 303-308 (1999).

6. Tábuas-Pereira, M. et al. Prognosis Kerosakan Kognitif Ringan Permulaan Awal vs Permulaan Lewat: Perbandingan Kadar Penukaran dan Peramalnya. Geriatrik 1, 11 (2016).

7. Zhang, D., Shen, D. & Neuroimaging Penyakit Alzheimer, I. Pembelajaran berbilang tugas berbilang mod untuk ramalan bersama pembolehubah regresi dan klasifikasi berbilang dalam penyakit Alzheimer. Neuroimage 59, 895–907,

8. Cheng, B., Liu, M., Zhang, D., Munsell, BC & Shen, D. Pembelajaran Pemindahan Domain untuk Ramalan Penukaran MCI. IEEE Trans Biomed Eng 62, 1805–1817.

9. Zhang, D., Shen, D. & Initiative, ASDN Meramalkan perubahan klinikal masa depan pesakit MCI menggunakan biomarker membujur dan multimodal. PloS satu 7, e33182 (2012).

10. Nho, K. et al. Ramalan Automatik Penukaran daripada Kemerosotan Kognitif Ringan kepada Kemungkinan Penyakit Alzheimer menggunakan Pengimejan Resonans Magnetik Struktur. AMIA Annu Symp Proc 2010, 542–546 (2010).

11. Wee, CY, Yap, PT, Shen, D. & Neuroimaging Penyakit Alzheimer, I. Ramalan penyakit Alzheimer dan gangguan kognitif ringan menggunakan corak morfologi kortikal. Peta Otak Hum 34, 3411–3425,

12. Wolz, R. et al. Analisis pelbagai kaedah imej MRI dalam diagnostik awal penyakit Alzheimer. PLoS One 6, e25446

13. Cho, Y., Seong, JK, Jeong, Y., Shin, SY & Neuroimaging Penyakit Alzheimer, I. Klasifikasi subjek individu untuk penyakit Alzheimer berdasarkan pembelajaran tambahan menggunakan perwakilan frekuensi spatial data ketebalan kortikal. Neuroimage 59, 2217–2230, https://doi.org/10.1016/j.neuroimage.2011.09.085 (2012).

14. Kim, D. et al. Penyepaduan Berasaskan Graf Data Pengimejan Otak Multimodal untuk Pengesanan Kemerosotan Kognitif Ringan Awal (E-MCI). Dubur Imej Otak Multimodal (2013) 8159, 159–169,

15. Ewers, M. et al. Ramalan penukaran daripada kemerosotan kognitif ringan kepada demensia penyakit Alzheimer berdasarkan biomarker dan prestasi ujian neuropsikologi. Neurobiol Penuaan 33, 1203–1214,

(2012).

16. Heister, D. et al. Meramalkan hasil MCI dengan biomarker MRI dan CSF yang tersedia secara klinikal. Neurologi 77, 1619–1628

17. Saykin, AJ et al. Kajian genetik fenotip MCI dan AD kuantitatif dalam ADNI: Kemajuan, peluang dan rancangan. Alzheimer & demensia: jurnal Persatuan Alzheimer 11, 792–814 (2015).

18. Saykin, AJ et al. Biomarker Inisiatif Neuroimaging Penyakit Alzheimer sebagai fenotip kuantitatif: Matlamat, kemajuan dan rancangan teras genetik. Alzheimer & demensia: jurnal Persatuan Alzheimer 6, 265–273 (2010).

19. Nho, K. et al. Voxel dan topografi berasaskan permukaan memori dan defisit eksekutif dalam gangguan kognitif ringan dan penyakit Alzheimer. Pengimejan otak dan tingkah laku 6, 551–567 (2012).

20. Falahati, F., Westman, E. & Simmons, A. Analisis data pelbagai variasi dan pembelajaran mesin dalam penyakit Alzheimer dengan tumpuan pada pengimejan resonans magnetik struktur. J Alzheimers Dis 41, 685–708.