摘要
衰老通常伴随着认知衰退，但这一过程的程度、时间和严重性存在较大的个体间差异。沿连续谱预测认知衰退，涵盖健康年龄相关衰退、轻度认知障碍和痴呆，可实现更精确的个体水平预测。先前研究表明，结合风险因素、临床、神经心理学和结构磁共振成像（MRI）数据的机器学习（ML）模型可预测持续性认知衰退。然而，独立数据集间的泛化能力很少被评估。本研究旨在使用独立数据集复制先前发现，并评估模型在不同采集站点间的泛化能力。采用多目标随机森林回归模型预测临床痴呆评定量表总和（CDR-SOB）和简易精神状态检查（MMSE）的年衰退率。结果表明，在大型新ADNI队列（*N = 1237）中，添加结构MRI数据到非脑部数据中增强了模型性能，这与之前OASIS-3（*N = 662）的结果一致。此外，当模型跨数据集测试时，相比内部测试，性能出现可检测的下降。这种性能下降不能由目标变量的分布偏移解释。另外，当在外部测试时，仅使用各自训练集中最重要特征训练的模型实现了与使用所有特征训练的模型几乎相同的性能，表明预测因子间存在高度冗余。总之，预测持续性认知衰退的多模态ML模型部分泛化到未见队列，伴有统计学显著的性能下降，而仅基于结构MRI特征训练的单模态模型则不能泛化。
利益冲突声明
作者声明无利益冲突。
资金声明
本工作得到健康老龄化动力学大学研究优先计划（URPP）、瑞士国家科学基金会[10001C_197480]和苏黎世大学博士后资助（编号[FK-23-086]）的支持。
作者声明
我确认已遵循所有相关伦理准则，并获得了必要的机构审查委员会（IRB）和/或伦理委员会批准。
是
提供批准或许可的研究监督机构详情如下：
本文准备中使用的部分数据来自阿尔茨海默病神经影像学倡议（ADNI）数据库。要访问实验室神经影像学（LONI）图像和数据档案馆（IDA）公开可用的ADNI数据，需提交包含研究者机构隶属关系和ADNI数据使用提案的申请表。第二个使用的数据集OASIS-3是开放获取的纵向多模态神经影像、临床和认知数据集，用于正常老化和阿尔茨海默病，来自开放影像研究系列（OASIS）。
我确认已获得所有必要的患者/参与者知情同意，并存档了适当的机构表格，且任何患者/参与者/样本标识符均不为研究组外任何人（如医院工作人员、患者或参与者自身）所知，因此无法用于识别个人。
是
我理解所有临床试验和任何其他前瞻性干预研究必须在ICMJE批准的注册机构（如ClinicalTrials.gov）注册。我确认手稿中报告的任何此类研究均已注册并提供了试验注册ID。
是
我已遵循所有适当的研究报告指南，例如任何相关的EQUATOR Network研究报告清单和其他相关材料（如适用）。
是
数据可用性
本文准备中使用的部分数据来自阿尔茨海默病神经影像学倡议（ADNI）数据库。要访问实验室神经影像学（LONI）图像和数据档案馆（IDA）公开可用的ADNI数据，需提交包含研究者机构隶属关系和ADNI数据使用提案的申请表。第二个使用的数据集OASIS-3是开放获取的纵向多模态神经影像、临床和认知数据集，用于正常老化和阿尔茨海默病，来自开放影像研究系列（OASIS）。
【全文结束】
