基于常规临床变量与多种机器学习算法的阿尔茨海默病认知状态分类研究

《BMC Neurology》：Machine-learning models for Alzheimer’s disease classification using routinely available clinical, cognitive, and neuropsychiatric variables

　　

摘要

背景

阿尔茨海默病（AD）是导致痴呆症最常见的原因。尽管机器学习模型在阿尔茨海默病分类方面已显示出应用前景，但许多方法依赖于神经影像学、生物标志物评估或广泛的神经心理学评估，而这些评估在临床实践中并非常规可用。本研究评估了多种机器学习算法，利用常规可获得的人口统计学、临床、认知和神经精神变量，对临床定义的状态类别进行分类。

方法

本研究利用761名参与者的数据进行二次分析，这些参与者被分类为认知未受损（CU）、由阿尔茨海默病引起的轻度认知障碍（MCI）或可能的阿尔茨海默病痴呆。研究使用十项常规可获得的人口统计学、临床、认知和神经精神变量，开发了五种机器学习模型：随机森林、支持向量机、朴素贝叶斯、决策树和k近邻算法。研究评估了三项具有临床相关性的分类任务：CU、MCI和阿尔茨海默病痴呆的多类别分类；区分阿尔茨海默病痴呆与非痴呆参与者；以及区分具有临床定义认知障碍的参与者与CU参与者。模型使用分层80%训练集配合重复五折交叉验证进行开发，并在20%保留的内部测试集上进行一次评估。

结果

在保留的内部测试集上，多类别分类标准模型的准确率在63.6%至68.2%之间，宏平均受试者工作特征曲线下面积（macro-AUC）值为0.80–0.84。在区分阿尔茨海默病痴呆与非痴呆参与者方面，标准模型实现了0.83–0.86的AUC值和76.8–78.8%的准确率。在区分具有临床定义认知障碍的参与者与CU参与者方面，标准模型实现了0.77–0.92的AUC值和78.1–88.1%的准确率。算法特定的不平衡调整策略并未持续改善分类性能，而合成少数类过采样技术（SMOTENC）显著降低了多类别k近邻算法的性能。排除简易精神状态检查（MMSE）和蒙特利尔认知评估（MoCA）后，所评估模型的AUC均有所下降，其中多类别分类的下降幅度最大。

结论

模型在三项具有临床相关性的认知状态分类任务中表现出中等至良好的内部判别性能。模型性能在很大程度上依赖于认知筛查措施，尤其是MMSE和MoCA。这些发现应被解读为该队列中的辅助分类性能，而非已确立临床实用性的证据。在临床实施之前，需要在前瞻性、地域多样化的队列中进行外部验证。