轻度认知障碍向痴呆转化的两年随访期多模态预测

《GeroScience》：Multimodal prediction of MCI-to-dementia conversion over a two-year window

　　

摘要

轻度认知障碍（MCI）是一种异质性的临床状态，部分个体保持稳定，而另一些则进展为痴呆。识别短期内有高度转化风险的患者仍然是实现及时干预的关键挑战。我们开发了一种可解释的多模态机器学习框架，用于预测在具有临床意义的两年期内从MCI进展为痴呆的情况。我们分析了来自阿尔茨海默病神经影像倡议（ADNI）的828名独立MCI受试者的2008个样本，包括认知/功能评估、人口统计学/遗传变量以及结构磁共振成像（MRI）特征。根据两年结果，受试者被分类为稳定型MCI（sMCI，n = 1306）或进展型MCI（pMCI，n = 702）。使用嵌套交叉验证对单模态和多模态的机器学习算法进行了评估，并采用SHapley加性解释（SHAP）和排列特征重要性来评估可解释性。认知评估、人口统计学/风险因素与结构MRI特征的组合优于单一模态，凸显了认知-功能下降与神经解剖退变之间的互补关系。表现最佳的模型——经过校准的XGBoost——在交叉验证期间达到了81.28% ± 2.56%的平衡准确率，在独立的留出测试集上达到了81.99%（自助均值81.97%，95%置信区间：[78.22%–85.51%]）。可解释AI分析确定了功能性障碍指标（功能活动问卷、临床痴呆评定量表-计分盒总和）、认知表现评分（阿尔茨海默病评估量表-认知亚量表11项版本、阿尔茨海默病评估量表-认知亚量表13项版本、简易精神状态检查）、APOE ε4状态，以及海马体、侧脑室、顶叶和颞叶区域以及杏仁核的结构异常，作为转化最具影响力的预测因子。利用单次临床就诊获取的多模态信息，可以高精度地预测MCI向痴呆的短期进展。认知障碍与区域性神经退变的汇合成为转化风险的最强指标。