Biomarkers for dementia of Alzheimer's type (DAT) are sought to facilitate accurate prediction of the disease onset, ideally predating the onset of cognitive deterioration. T1‐weighted magnetic resonance imaging (MRI) is a commonly used neuroimaging modality for measuring brain structure in vivo, potentially providing information enabling the design of biomarkers for DAT. We propose a novel biomarker using structural MRI volume‐based features to compute a similarity score for the individual's structural patterns relative to those observed in the DAT group. We employed ensemble‐learning framework that combines structural features in most discriminative ROIs to create an aggregate measure of neurodegeneration in the brain. This classifier is trained on 423 stable normal control (NC) and 330 DAT subjects, where clinical diagnosis is likely to have the highest certainty. Independent validation on 8,834 unseen images from ADNI, AIBL, OASIS, and MIRIAD Alzheimer's disease (AD) databases showed promising potential to predict the development of DAT depending on the time‐to‐conversion (TTC). Classification performance on stable versus progressive mild cognitive impairment (MCI) groups achieved an AUC of 0.81 for TTC of 6 months and 0.73 for TTC of up to 7 years, achieving state‐of‐the‐art results. The output score, indicating similarity to patterns seen in DAT, provides an intuitive measure of how closely the individual's brain features resemble the DAT group. This score can be used for assessing the presence of AD structural atrophy patterns in normal aging and MCI stages, as well as monitoring the progression of the individual's brain along with the disease course.

中文翻译：

---

使用机器学习将阿尔茨海默病的结构 MRI 神经变性模式量化为痴呆评分：对 ADNI、AIBL、OASIS 和 MIRIAD 数据库的 8,834 张图像进行独立验证。


阿尔茨海默病型痴呆 (DAT) 的生物标志物旨在促进准确预测疾病发作，最好是在认知功能恶化之前预测。 T1 加权磁共振成像 (MRI) 是一种常用的神经成像方式，用于测量体内大脑结构，有可能为 DAT 生物标志物的设计提供信息。我们提出了一种新型生物标志物，使用基于结构 MRI 体积的特征来计算个体结构模式相对于 DAT 组中观察到的结构模式的相似性得分。我们采用了集成学习框架，该框架结合了大多数有辨别力的 ROI 中的结构特征，以创建大脑神经退行性变的总体测量。该分类器在 423 名稳定正常对照 (NC) 和 330 名 DAT 受试者上进行训练，其中临床诊断可能具有最高的确定性。对来自 ADNI、AIBL、OASIS 和 MIRIAD 阿尔茨海默病 (AD) 数据库的 8,834 张未见过的图像进行的独立验证表明，根据转换时间 (TTC) 预测 DAT 的发展具有广阔的前景。稳定与进展性轻度认知障碍 (MCI) 组的分类表现，6 个月 TTC 的 AUC 为 0.81，7 年 TTC 的 AUC 为 0.73，达到了最先进的结果。输出分数表明与 DAT 中所见模式的相似性，可以直观地衡量个体的大脑特征与 DAT 组的相似程度。该评分可用于评估正常衰老和 MCI 阶段是否存在 AD 结构萎缩模式，以及监测个体大脑随病程的进展。