根据常规临床磁共振成像（MRI）和相关医疗数据预测未来的痴呆症发生

《Alzheimer's Research & Therapy》：Predicting future dementia from routine clinical MRI and linked healthcare data

　　

摘要

背景

早期识别有痴呆风险的个体对于预防性护理和及时纳入疾病修饰干预措施至关重要。然而，大多数现有的预测方法依赖于侵入性、成本高昂或仅适用于研究的生物标志物，这些生物标志物在公共医疗系统中难以推广。常规获取的英国国家医疗服务体系（NHS）脑部磁共振成像（MRI）扫描数据，当与电子健康记录结合使用时，成为一种广泛可用且保护隐私的群体层面痴呆风险分层资源。临床应用的关键挑战在于确保机器学习预测结果可靠、可解释且安全适用，尤其是在模型在临床诊断前多年就被使用时。

方法

我们完全在安全的NHS可信研究环境中进行了一项回顾性病例对照研究，使用了来自苏格兰泰赛德和法夫地区的常规T1加权脑部MRI扫描数据以及相应的电子健康记录。研究共纳入518名参与者：259名后来发展为痴呆症的个体和259名年龄和性别匹配的对照组。从MRI数据中提取了大脑结构特征，并使用支持向量机分类器结合嵌套交叉验证进行分析，以减少过拟合。预测置信度通过距离超平面（DFH）校准方法进行量化，从而能够按确定性对模型输出进行分层。主要评估指标为分类准确率和接收者操作特征曲线下面积（AUC）。次要分析考察了基于DFH分层的性能以及预测准确率与从扫描到首次记录痴呆诊断时间之间的关系。

结果

该模型能够在首次NHS诊断前五年预测出未来的痴呆情况，AUC为0.71，这一性能与实际临床成像数据一致，而非仅针对研究优化的数据集。对于接近诊断时间进行的扫描，模型的敏感性有所提高，表明随着疾病发作时间的临近，预测信号更强。基于置信度的分层方法识别出一个高置信度子组，约占所有扫描的35%，在该子组中预测准确率提升至约80%。该模型在不同类型的NHS扫描仪和成像协议下表现一致，显示出其对实际临床数据的鲁棒性和泛化能力，而不仅仅是针对研究优化的数据。

结论

常规收集的NHS脑部MRI数据可以用于在临床诊断前几年预测未来的痴呆情况。通过引入置信度校准，传统机器学习分类器被转化为一个既安全又具有临床解释性的框架，从而能够选择性地使用高置信度的预测结果。这种方法支持可扩展的早期检测、群体层面的风险分层，并有针对性地招募参与者参加预防性或疾病修饰临床试验，具有明显的潜力整合到公共卫生系统中。