预测老年人群临床衰退轨迹是一项紧迫的挑战，特别是对于患有轻度认知障碍、阿尔茨海默病、帕金森病或血管性痴呆的人群。准确的预测可指导治疗决策、识别风险因素并优化临床试验。本研究比较了两种深度学习方法，用于预测两年间隔内临床痴呆评定量表“总和框”评分（sobCDR）的变化趋势（作为连续结果的回归分析）。这是痴呆症研究和临床试验中的关键指标，评分范围从0（无损伤）到18（严重损伤）。为预测衰退程度，我们训练了一个混合卷积神经网络（CNN），该网络整合了3D T1加权脑部MRI扫描与表格化临床及人口统计学特征（包括年龄、性别、体重指数（BMI）和基线sobCDR）。我们将模型性能与AutoGluon进行基准测试——这是一种自动多模态机器学习框架，能自主选择合适的神经网络架构（即“自动机器学习”方法）。我们使用来自三个独立队列（ADNI、OASIS-3和NACC）的2319名独特参与者数据评估模型。对每位参与者，我们采用单次T1加权脑部MRI扫描及其对应的临床和人口统计信息。研究结果凸显了在此类临床应用预测建模中结合影像与表格数据的重要性。深度学习算法能够融合基于影像的脑部特征与表格化临床数据，为老年人群和痴呆症的个性化预后提供潜在价值。然而，多模态融合并非总能统一提升性能；我们的结果表明，当临床协变量已能解释大部分变异并提供强基线时，应用于容积MRI数据的深度学习可能难以增加预测价值。在其他条件和任务中，混合系统（能同时学习两类数据）可能更具优势，且两类数据的相对价值可能不同。反之，当表格数据已具备强预测力时，基于自动机器学习的多模态融合可提供稳健基线。这些见解阐明了在临床预后应用中如何选择不同的多模态策略。
关键词：阿尔茨海默病预后，医院中的人工智能，AutoGluon，临床决策支持系统，临床衰退，临床痴呆评定量表，深度学习，多模态分析
【全文结束】
