抽象的な
典型的な診断は内因性の神経変性ではなく対症療法的な考え方に基づいているため、初期のアルツハイマー病はタイムリーな検出を回避することがよくあります。ここでは、教師なし機械学習を使用して、診断ラベルや事前定義されたサブタイプ定義を使用せずに、MRI 由来の構造的体積特徴と神経心理学的スコアから潜在的なアルツハイマー病の表現型を特定します。私たちは、頭蓋内、正規化、全体および局所の体積 MRI 特徴と MMSE および CDR 測定を使用して、OASIS-1 研究の参加者（18 ～ 96 歳）を分析しました。主成分分析による次元削減の後、K-Means クラスタリングを使用して 5 つの安定したクラスターを特定しました。ここで、1 つのクラスターは顕著な皮質萎縮を示しましたが、認知機能は無傷で保存されており、独立した前臨床サブタイプを示しています。再現性チェックとして、クラスターのメンバーシップを予測するようにトレーニングされたランダム フォレスト モデルとロジスティック回帰モデルは、相互検証で 90% を超える精度を達成しました。これは、学習された特徴空間でクラスターが一貫して分離可能であることを示しています。年齢と教育はこの構造と機能の解離を完全には説明しておらず、測定可能な萎縮にもかかわらず相対的な認知回復力を持つサブグループを示唆しています。私たちの発見は、均一な萎縮と認知の関係の仮定に疑問を投げかけ、データ駆動型の表現型解析により、従来の診断枠組みでは捉えられなかった臨床的に関連するサブグループを明らかにできる可能性を示唆しています。今後の研究では、マルチモーダルバイオマーカーの組み込みに加えて、縦断的コホートにも検証を適用する予定です。
競合利益に関する声明
著者らは競合する利害関係がないと宣言しています。
#教師なし学習を使用してアルツハイマー病の新規サブタイプを発見する #システム