基于机器学习对主观认知下降的7年随访预测研究

目的主观认知下降(SCD)被认为可能是阿尔茨海默病(AD)最早出现临床症状的阶段,甚至出现在轻度认知损害(MCI)之前。但不是所有的SCD都会发展为MCI甚至AD,SCD对AD进展的预测价值需要通过长程随访来验证。本研究基于2011年参与中国纵向老龄化(CLAS)研究并完成头颅MRI的上海社区老人的基线及2018年的随访数据,以SCD人群为切入点,旨在分析7年随访时对SCD这组高危人群转归的预测因素。方法共76名SCD老人纳入预测分析模型,根据随访是否转为MCI分为稳定型SCD(sSCD)(n=52)和进展型SCD(pSCD)(n=24)。收集的信息包括两个时间点的临床及神经心理学评估(基线和7年随访),以及基线时的T1-MRI扫描数据。结合机器学习的方法(Relief算法和代价敏感性支持向量机分类器),将多维度的相关信息包括人口学资料、躯体疾病、生活方式、神经心理评估以及基于Free Surfer的各脑区MRI结构特征进行拟合分析,探索哪些方面的特征组合能成为最优预测SCD认知转归的评价指标。使用嵌套的余一交叉检验法对特征在给定机器学习算法下所能达到的分类精度进行评价,以寻找能有效预测认知进展的特征指标。结果共有223个特征纳入预测模型,最终5个特征形成的组合被选为对预测认知转归贡献最大。它们是:脑梗史,受教育年限,基线Mo CA评分,左侧杏仁核体积,以及右侧颞上沟的白质体积。他们的组合实现了曲线下面积(AUC)得分为0.80。其中,pSCD的脑结构特征表现为左侧杏仁核的灰质体积减少和右侧颞上沟后坡白质体积增加。结论本研究证明结合临床和神经影像的信息可能在SCD阶段预测7年后的MCI的发生。同时颞上沟脑区附近的白质体积增加,可能是潜在的诊断生物标志物。研究结果将有助于阐明临床前期AD的神经影像机制,为探索预测认知下降的关键因素和有效的早期干预提供依据。