预测持续性认知衰退:结合结构MRI和非脑部数据的多模态机器学习方法的泛化性
该研究系统评估了多模态机器学习模型在预测连续认知衰退方面的泛化能力,通过整合结构磁共振成像(MRI)与非脑部数据(包括风险因素、临床及神经心理学指标),在阿尔茨海默病神经影像学倡议(ADNI,N=1237)和OASIS-3(N=662)两个独立数据集上进行验证。结果表明,添加结构MRI数据显著提升模型性能,但跨数据集测试时出现统计学显著的性能下降,且该现象无法由目标变量分布偏移解释;同时,仅使用关键特征训练的模型与全特征模型表现相当,揭示预测因子间存在高度冗余。这一发现对阿尔茨海默病早期预警、个体化干预策略制定及人工智能在神经退行性疾病中的临床转化具有重要指导意义,凸显了多模态数据融合的价值与泛化挑战。

