文章摘要
孟维静，王爱民，丛显铸，刘金刚，石福艳.基于Tau PET SUVR的机器学习和列线图模型在阿尔茨海默病中的预测价值[J].放射学实践,2026,41(03):247-252
基于Tau PET SUVR的机器学习和列线图模型在阿尔茨海默病中的预测价值
  
DOI：10.13609/j.cnki.1000-0313.2026.03.002
中文关键词: 阿尔茨海默病  Tau蛋白  正电子发射断层扫描  标准化摄取值比率  机器学习  列线图  预测模型
基金项目:山东省自然科学基金资助项目（ZR2023MH313）；山东省高等学校科技计划项目（J18KA284）；潍坊市科学科技发展计划项目（2022YX049）
作者单位
孟维静，王爱民，丛显铸，刘金刚，石福艳 261053山东潍坊,山东第二医科大学公共卫生学院（孟维静、王爱民、丛显铸、石福艳）；261053山东潍坊,山东第二医科大学医学影像学院、山东第二医科大学附属医院医学影像中心（刘金刚） 
摘要点击次数: 154
全文下载次数: 198
中文摘要:
      【摘要】目的：通过最小绝对收缩和选择算子（LASSO）回归筛选影响阿尔茨海默病的特定脑区Tau蛋白标准化摄取值比率（SUVR）进行机器学习，并建立列线图模型，为临床实践提供指导。方法：从ADNI数据库中选取2017-2022年诊断为认知正常（CN）和阿尔茨海默病（AD）的研究对象共399例（CN 334例，AD 65例），收集其临床和脑部各脑区Tau蛋白SUVR数据。将研究对象对以7:3的比例随机分配到训练集（279例）和验证集（120例），采用LASSO回归筛选影响阿尔茨海默病的特定脑区Tau蛋白SUVR，并将其综合为SUVR_Score。采用决策树（DT）、随机森林（RF）、极端梯度提升树（XGBoost）、支持向量机（SVM）、K最近邻（KNN）、轻量级梯度提升机（LightGBM） 6种机器学习方法进行建模，筛选最佳模型并构建列线图，预测AD的发病概率。采用受试者操作特征（ROC）曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）评估模型的性能。结果：LASSO回归共筛选出6个脑区Tau蛋白SUVR综合为SUVR_Score，6种机器学习模型中，XGBoost模型在验证集中性能最好（AUC 0.945，准确率0.907，敏感度0.882，特异度0.932）。基于性别、教育程度和SUVR_Score 3个变量构建列线图模型的AUC为0.945，校准曲线显示模型具有较好的准确性，DCA曲线显示模型具有较好的临床效益。结论：基于脑部Tau蛋白SUVR构建的机器学习和列线图模型能有效识别阿尔茨海默病，在临床诊断预测中具有重要的价值。
      
查看全文   下载PDF阅读器
关闭