ترجمه فارسی مقاله پیش‌بینی مبتنی بر یادگیری ماشین بار و توزیع تاو در بیماری آلزایمر با استفاده از پلاسما، MRI و متغیرهای بالینی

چکیده

Tau positron emission tomography (PET) is a reliable neuroimaging technique for assessing regional load of tau pathology in the brain, commonly used in Alzheimer’s disease (AD) research and clinical trials. However, its routine clinical use is limited by cost and accessibility barriers. Here we explore using machine learning (ML) models to predict clinically useful tau-PET composites from low-cost and non-invasive features, e.g., basic clinical variables, plasma biomarkers, and structural magnetic resonance imaging (MRI). Results demonstrated that models including plasma biomarkers yielded the most accurate predictions of tau-PET burden (best model: R-squared=0.66-0.68), with especially high contribution from plasma P-tau217. In contrast, MRI variables stood out as best predictors (best model: R-squared=0.28-0.42) of asymmetric tau load between the two hemispheres (an example of clinically relevant spatial information). The models showed high generalizability to external test cohorts with data collected at multiple sites. Based on these results, we also propose a proof-of-concept two-step classification workflow, demonstrating how the ML models can be translated to a clinical setting. This study uncovers current potential in predicting tau-PET information from scalable cost-effective variables, which could improve diagnosis and prognosis of AD.

چکیده به فارسی (ترجمه ماشینی)

توموگرافی انتشار Tau Positron (PET) یک تکنیک قابل اعتماد برای تصویربرداری عصبی برای ارزیابی بار منطقه ای آسیب شناسی تاو در مغز است که معمولاً در تحقیقات بیماری آلزایمر (AD) و آزمایشات بالینی مورد استفاده قرار می گیرد.با این حال ، استفاده معمول بالینی آن با هزینه و موانع دسترسی محدود است.در اینجا ما با استفاده از مدل های یادگیری ماشین (ML) برای پیش بینی کامپوزیت های TAU-PET از نظر بالینی مفید از ویژگی های کم هزینه و غیر تهاجمی ، به عنوان مثال ، متغیرهای بالینی اساسی ، نشانگرهای پلاسما و تصویربرداری رزونانس مغناطیسی ساختاری (MRI) بررسی می کنیم.نتایج نشان داد که مدلهایی از جمله نشانگرهای زیستی پلاسما ، دقیق ترین پیش بینی های بار Tau-PET (بهترین مدل: R-Squared = 0.66-0.68) ، با سهم بسیار بالا از پلاسما P-TAU217 را به همراه داشتند.در مقابل ، متغیرهای MRI به عنوان بهترین پیش بینی کننده ها (بهترین مدل: R-Squared = 0.28-0.42) از بار تاو نامتقارن بین دو نیمکره (نمونه ای از اطلاعات مکانی بالینی مرتبط) ایستاده اند.این مدل ها قابلیت تعمیم بالایی را در گروههای آزمایش خارجی با داده های جمع آوری شده در سایت های مختلف نشان دادند.بر اساس این نتایج ، ما همچنین یک گردش کار طبقه بندی دو مرحله ای اثبات مفهوم را پیشنهاد می کنیم ، نشان می دهد که چگونه می توان مدل های ML را به یک محیط بالینی ترجمه کرد.این مطالعه از پتانسیل فعلی در پیش بینی اطلاعات TAU-PET از متغیرهای مقرون به صرفه مقیاس پذیر ، که می تواند تشخیص و پیش آگهی AD را بهبود بخشد ، کشف می کند.