文摘

在阿尔茨海默病(AD)的发展,当务之急是确定受试者患有轻度认知障碍临床症状之前的广告出现。这项工作提出了一个决策支持技术在确定受试者将展示从轻度认知障碍(MCI)过渡到阿尔茨海默病(AD)的未来。我们使用健壮的预测从多元MRI-derived生物标志物和神经心理措施和跟踪他们的纵向轨迹预测MCI人群的广告的迹象。假设分段线性发展的疾病,我们设计了一个新颖的加权梯度offset-based技术来预测未来标记价值利用至少两次读数后续访问。后,完整的预测轨迹作为一个标准的支持向量机分类器的特征来识别MCI-to-AD不寻常在MCI患者参加阿尔茨海默病的神经影像学(ADNI)队列。我们研究了单模和多通道模型的性能在5倍交叉验证设置。拟议的技术导致高分类AUC为6 91.2%和95.7%——和1-year-ahead广告预测,分别使用多通道标记。最后,我们将讨论MRI标记的功效比纳米MCI-to-AD转换预测。

1。介绍

阿尔茨海默病(AD)是目前最普遍和最致命形式的痴呆在elderly-its病死率增加了68%,而其他的主要障碍已经减少(阿尔茨海默氏症协会2014)。几次严重的尝试已在疾病早期诊断分期过去半个世纪来遏制这种高速率。2011年,国家老龄化研究所和阿尔茨海默氏症协会提出了修订诊断指南广告(1]。他们把疾病分为三个阶段:(1)临床前广告,可测量的生物和病理指标发生变化的;然而,没有观察到外在的变化,(2)轻度认知障碍(MCI),在轻微的记忆和认知的投诉是观察和测量,和(3)痴呆由于广告,当病人不能执行日常生活活动由于记忆和认知问题。也建立了并不是所有的MCI患者一定广告未来的发展(2]。一般来说,有两种类型的临床变化对MCI患者:(1)MCI马厩(MCI)是那些保留MCI诊断在未来的时间点和(2)MCI不寻常(MCIp)是那些显示在未来广告的症状。因此,必须开发可靠的技术预见未来临床趋势MCI患者以后可以用来分类MCIp MCI。

提出了各种各样的预测早期诊断的广告从非侵入性神经心理措施(NM) [3)和结构磁共振成像(MRI)对别人像正电子发射断层扫描(PET),化学成分的脑脊液(CSF)和遗传抽样(4]。最近的研究重点是这些标记的功效检测MCI发展为广告。大量研究调查了角色转换的认知标记预测任务(5- - - - - -7),而其他项目采取审查生物标记(8- - - - - -11]。同样,大量的研究报道提高预测能力的策略涉及多通道信息(12- - - - - -16),而许多作者提出组合预测的潜在疾病(17,18]。在几项研究中,作者的9,19)提出了有效的特征选择策略将正规化线性回归和神经网络,分别。然而,报告斯珀林et al。1)表明,认知功能和脑结构恶化更大幅MCI向AD过渡期间比其他因素如蛋白质沉积。同样,纳米和MRI措施最普遍在文献中相对更便宜和更容易获得比需要腰椎穿刺脑脊液措施。这些研究大部分只诉诸使用基线数据,然而,在实践中,来自多个时间点的数据可能包含有用的信息关于疾病的基本病理变化。

识别广告的缓慢进展的疾病得到了很多研究者的兴趣。广告必须监控有效地捕捉预测可变性和理解疾病进展。因此,预测MCI转换为广告,研究者开始考虑纵向数据而不是一个时间点数据8,9,20.,21]。黄等。22)量化6-month-apart纵向变化观察到显著的体素的MRI图像,采用线性回归和后,采用分层分类器分类MCIp和mci的。纵向方法实现了分类精度为79.4%,而71.7%的准确率得到当他们使用基线数据,因此加强纵向数据的能力。李等人。23]研究了纵向胼胝体的萎缩的影响来预测MCI向AD转换。他们的方法被发现更准确的为女性患者比男性患者(84%)(61%)。MCI进展的另一个强大的方法,提出了通过Runtti et al。24),采用神经心理措施和异构生物标志物来计算疾病状态指数(DSI)的所有病人。以前的DSI措施被用来估计未来DSI使用线性回归。分类精度通过这种方法是76.9%。郭et al。25)提出了一个健壮的、新方法使用3年的随访数据开采动态MRI形态特征和基于MCI-to-AD转换预测。郭等人得到的分类精度为84.62%。其他一些重要的研究采用纵向预测信息归纳在表格1。劳伦斯et al。28),除了倡导优质广告早期预测时间序列数据的力量,提供了一个详细的审查研究收集纵向数据域。然而,研究人员仍面对CSF和PET扫描数据的稀疏表示的任务。

表1
先前执行的纵向研究。

各种机器学习和模式识别技术的验证和测试MCI-to-AD转换预测领域,其中包括监督(9,16),无监督,semisupervised [11,29日)方法。进一步集中涉及分类和回归(15,21)技术。而支持向量机及其变体的经典选择广告的早期诊断26),一些研究人员选择使用随机森林(11),分层分类器(22),和最大不确定性线性判别分析(30.]。尽管许多努力,期望的性能而言,AUC和准确性还未达到一个稳定的临床决策支持技术。在许多研究中,权衡系统的敏感性和特异性。从最早期的研究中,提取,预测的质量检测MCI的关键进展比分类器的复杂性。识别有效的特性集分类是至关重要的。另一个明显的事实,导致低性能的早期诊断系统的广告只是一个时间点数据的使用。彼得森et al。31日)加强临床MCI主题变化的利率比控制,有效地快速因此提高量化这些变化很感兴趣。

在本文中,我们提出一个多步预测方法next-in-sequence预测阅读前两个读数和以后使用的时间序列信息MCIp和mci的分类采用支持向量机分类器。我们的实验将nonbrain神经心理措施(NM)和大脑MRI-derived措施预测MCI发展为广告。我们设计了一种新型加权梯度补偿方法,该方法计算未来预测阅读使用两个连续的,可用之前,时域数据的多通道预测。未来价值预报系统是由量化之前的梯度变化到下一个时间间隔。该方法的新颖性在于有效就业的双向预测预测未来的预测数据。我们验证该方法在阿尔茨海默病的神经影像学(ADNI)数据集。我们的系统的功效是判断nonbrain和大脑预测在个别和合并设置。

2。材料

2.1。ADNI

这项工作中使用的数据是来自阿尔茨海默病的神经影像学(ADNI)数据库。ADNI大规模多点研究,旨在分析标记从认知测试,血液测试,测试CSF和MRI / PET成像有关的能力描述阿尔茨海默氏病的发展。ADNI源于许多研究的努力从一个广泛的学术机构和私人企业。受试者招募了来自50多个网站在美国和加拿大。ADNI本研究数据用于检索2019年1月。直到那时,ADNI,三项研究(ADNI-1——去,2),招募了1500名成年人年龄在55至90年参加这项研究。最新信息,请参阅http://www.adni-info.org。

这里,进行技术验证,我们考虑MCI的子集受试者参加ADNI-1至少有三个连续随访数据可用。受试者与MCI转换成广告最后随访时间前的任何时间,例如,36岁th月,被称为MCI不寻常(MCIp),和那些保留MCI诊断在任何时候被称为MCI马厩(MCI)。受试者用缺失值在指定的随访时间被忽略。6-month-ahead预测,数据集包含对象有三个连续6个月随访数据。因此,我们有49 MCIp和70例mci的补充文件中给出的id(可用在这里)。同样,1-year-ahead预测,数据集包含连续三年阅读,导致35 MCIp和50 mci的科目。在基线人口统计学信息在桌子上2。

表2
人口统计信息。
2.2。标记

一项由斯珀林et al。1)表明,化学和蛋白质成分相比,大脑形态测量学,临床功能,认知能力MCI-to-AD过渡期间的影响最大。因此,在这项工作中,我们专注于纵向分析和使用nonbrain神经心理标记(NM)和大脑核磁共振的形态学标记。更多细节关于标记被认为是在这项研究中指定如下。

2.2.1。神经心理标记(NM)

ADNI参与者被要求执行一系列神经心理测试和临床定期评估。每个测试和评估的分数和值被记录。NM从事这项工作被确定在32]。在[33全面),佩雷拉等人研究了各种神经心理措施对MCI-to-AD转换的影响预测,并基于这些发现,我们选择一个共有八标记如下:广告评估量表的总分(ADAS 13),雷伊听觉语言测试(RAVLT),时钟画测试(CDT),时钟复制测试(有条件现金转移支付),立即召回总分(LIMM),细微精神状态检查(MMSE)、跟踪测试(TRAA),和跟踪测试B (TRAB)。表3描述了均值和标准差在这些值。选择的测试程序和评分标准认知测试ADNI通用程序手册中给出(32]。

表3
神经心理措施用于这项研究(米±SD:均值±标准差)。
2.2.2。核磁共振的形态学标记

MCI-to-AD转换预测,我们也采用纵向MRI的形态学措施由加州大学旧金山,记忆和衰老中心,ADNI网站上。的完整细节提取MRI-derived措施提供了(32]。短暂,t1, MPRAGE西门子扫描仪扫描从1.5 T先生(维度1毫米×1毫米x 1毫米,TR: 20 ms, TE: 5 ms)下载和预处理梯度翘曲,缩放、B1校正和N3由梅奥诊所(不均匀性校正34- - - - - -36]。皮质重建和体积分割然后使用Freesurfur执行图像分析套件基于4.3版本中提供的框架(37]。表示框架,试模板空间和平均图像,无偏的时间扫描顺序,使用创建健壮的、逆一致的登记(38,39]。皮质的形态学措施得到迭代拓扑修正后,非线性球面非线性Atlas登记,登记。分割图像通过一个密集的质量控制(QC)过程(40)由梅奥诊所和提供ADNI网站上使用。目前的研究包括信息只能从这些图像通过整个质检过程。获得的大脑区域的MRI生物标志物包括卷皮质分割和白质分割后,大脑区域的面积,皮质厚度的大脑区域中提供UCSFFSL ADNI网站上的文件。我们认为249大脑核磁共振特性在当前的研究中。

3所示。方法

我们的工作侧重于利用嵌入式的纵向特性预测能力MCI发展预测。我们使用多通道(nonbrain海里和大脑MRI)在两个连续的跟进记录标记为MCI主题和它们通过管道来预测下一个标记值。时域的读数(3号)然后集体考虑MCIp预测mci标签。具体的过程概述如图所示1,显示嵌套与5倍交叉验证循环外循环的分类和一个内部分析循环平均权重计算。这个过程是重复的特征子集。


图1
系统概述。

纵向轨迹建模是三相的建议的方法:(1)估算梯度抵消从训练数据及其权重,(2)预测未来的标记值生成的测试数据使用模型训练数据,和(3)的时域轨迹分类测试实例的两个类。MATLAB R2018a系统上实现。每个模块的细节在下面几节中。

3.1。预处理
3.1.1。指标归一化

功能正常化是一个重要的步骤在一个多变量、多尺度机器学习环境。执行标准化消除偏见由于很小的或非常大型的值。我们所有功能规模train-test分裂前的值在0和1之间。对于纵向数据规范化,我们每个生物标志物的时域轨迹除以各自的生物标志物的最大值产生0和1之间的值,同时保留纵向趋势。

3.1.2。标记排序和选择

生物标记集我们考虑在249年这项工作由核磁共振和8海里生物标记物,并不是所有的有效贡献MCIp与mci的隔离。确定最佳的生物标志物子集,我们采用wrapper-based方法选择重要的生物标志物。我们执行两个学生的采样T测试基线生物指标读数,然后筛选他们根据他们的排名影响对MCIp与mci的歧视。的 的T以及显示一个特定的生物标志物的意义对有效的诊断方法。之后,我们形成生物标志物子集通过逐步添加一个生物标记根据其等级。每个生物标志物子集建模和评估其有效性通过我们提出的系统。

3.2。纵向轨迹建模

预测未来的临床变化MCI的主题,即。,在 ,一个可靠的预测模型必须捕获数据(在过去的影响特性 )和项目到未来的临床数据。假设纵向轨迹分段,我们选择一个MCI-to-AD线性发展模式发展,以避免过度拟合小数据集(41,42]。

为权重计算和模型验证,我们将数据集划分为5倍交叉验证设置。进一步分层训练训练集和验证集的分析(厕所)方案hyperparameter调优。让 是所有的训练集N纵向的预测因素nMCI科目属于类c(c= 1为MCIp和cmci的= 0)。然后, ,在哪里 1是0.5 6-month-ahead预测和提前一年预测。基本的梯度, ,量化的平均分段变化米th预测的轨迹属于类c。获得 我们减去 ,除以 ,,平均的总数在各自的类实例。

同样的,我们计算的分段连续梯度之间的纵向值验证实例, ,使用欧几里德几何 验证主体的分段梯度, ,从各自的基地减去梯度 获得梯度补偿 。

我们的目标是衡量梯度补偿的程度之间的间隔 ,也就是说, ,影响未来梯度抵消 在时间间隔 和 一个特定的标志m。获得梯度补偿的过程在图以图形方式描述2。我们模型梯度抵消当前和未来后续间隔之间的关系由一个已经决定线性方程组的矢量调制线性预测系数μ。对于一个特定的标志米,这种关系是由


图2
梯度补偿计算。

我们解决了方程(1)µ这样预测和实际补偿之间的平方误差最小化。平方误差的导数是等同于0,最后制定μ获得的是 。μ是包含的值的向量线性预测权重量化异构的影响,多元标记在考虑未来价值的标志。对于最优模型生成,我们平均获得的权重厕所验证折叠。

3.3。预测未来价值

在这项工作中,我们预测未来临床变化的MCI主题使用前两个连续随访数据异构标记为MCIp与MCI的提高分类性能。让y是一个测试实例和两个已知的预测数据预测米作为 分段线性关系。我们计算未来值, ,使用欧几里德几何学根据

在这里, 分段梯度之间吗 和 的一个标志米。我们计算 通过调整加权梯度抵消 基本梯度 。的方法获得 和 在下面详细。

3.3.1。基梯度

我们评估点 归属感的一个群体,MCIp mci,使用已知的时间点标记值和年变化在这些值作为特征。这些特性都喂给了一个线性支持向量机(SVM)分类器。选择支持向量机基于有限数据集的二进制分类可用性和鲁棒性的表示分类器(43]。在基地组织的支持向量机分类器的建议,我们用年平均变化, ,各自的类 。

3.3.2。加权梯度抵消

将多变量的影响是很重要的标记在预测未来标记读数。在这项研究中,我们多元的影响融入梯度补偿测量中添加 。之间的梯度跟踪记录读数 的y米通过计算减去 和除以 。梯度抵消的标记 通过计算 ,量化基梯度之间的差异和实际的预测梯度。

将多个预测因素的影响考虑到预测的未来价值,用线性预测权重的向量µ偏移向量 获得 根据

我们获得的值替代 和 在方程(2)预测接下来的预测价值米测试MCI的主题。这个方法是重复的N标记被认为是在标记子集获得完整的时域多变量标记的轨迹。

3.4。轨迹分类

一旦完成时间点生物标志物轨迹为个人MCI病人了,我们把它们归入MCIp和MCI的使用标准线性SVM分类器。分类后,我们指定一个类标签和各自的可能性值类MCI个人。

3.5。绩效评估

分析未来生物标记值预测的有效性,我们记录的平均绝对误差(MAE)之间的预测和观察到的值。后,量化的性能MCIp与mci的分类,我们文档ROC下的面积(AUC),结果的准确性、敏感性和特异性。

4所示。结果与讨论

全面评估我们的方法的效率,我们设计三种不同类型的实验使用以下数据:(我)海里只(2)核磁共振成像标记只(3)纳米和MRI的总和

深入分析,我们计算地面真理(GT)绩效分数也实际纵向标记值,正如ADNI记录过的,用于分类MCIp与mci的职能,因此覆盖未来价值预测步骤。因此,GT性能指标可以作为基准指标。总体观察从这些实验是在下面描述。

4.1。对标记的排名

表4列出了五大特性,指出在6个月和1-year-ahead转换的预测。两个纳米RAVLT和ADAS显示最低的 ,来显示他们的价值意义MCI-to-AD转换在长期和短期的预测。我们进一步注意,脑容量是更重要的在执行短期预测,而平均皮质厚度被证明是更重要的1-year-ahead预测。

表4
最高排名和他们的标志 。
4.2。对未来的预测价值

本文的主要目的是准确预测标记数据在未来的时间点根据前后续数据更好地帮助MCI-to-AD转换预测。我们预计,准确的预测标记阅读将减少GT的区别并提出了系统的分类性能。平均绝对误差(MAE)是用来量化的度量指标实际值与预测值之间的误差。在图3在美,我们现在观察到的趋势越来越多的预测为6个月,1-year-ahead值预测。在所有的实验设计(NM、磁共振成像和纳米+ MRI),我们观察到最初,预测误差增加和不连续,但降低并稳定后预测穿过某一阈值的数量。257年,98特性呈现出p值小于0.05,表明添加特性显著标记设置为未来值预测将增强系统的分类性能。低特性的影响很小在美功能设置过一定数量的预测是可见的尾矿梅图。

(一)
(一)
(b)
(b)
(c)
(c)
图3
平均绝对误差(MAE)和6个月的预测指标子集的预测数量,1-year-ahead未来价值预测只使用(一)海里,(b)的MRI, (c)纳米和MRI的总和。

在图3(一个),当纳米仅被认为是预测未来的时间点数据,预测误差达到最高(美> 12%)在所有实验。它加强了人类行为是不可预测的,建模可以是错误的,尤其是在短期(6个月)随访持续时间。相反,在图3 (b),仅考虑核磁共振实验措施报告美(< 4%)值最低。仅在MRI测量低美突显出线性可预测性和不可逆性脑萎缩。比1-year-ahead 6-month-ahead MRI标记的预测更准确预测脑萎缩是一个相对缓慢的过程,和小变化之间发生密切随访持续时间比一个更长的随访时间。在图3 (c),我们表明,预测误差可以减少NMs利用MRI更可预测的力量的措施。提出的梯度补偿方法对未来值预测积极帮助预测未来的标志采用微分信息从多通道特性。

在图4,我们提出一个预测的比较总结美措施分类模型,提供分类AUC最高。6-month-ahead预测,纳米分类模型2标记结果在梅的21.6% ( 2.15×10−5)。MRI具有13标记的分类模型给出了最低2.67%的美( 0.0001),而双向设置提供3.64%的美( 0.001)有19个标记。另一方面,1-year-ahead转换预测,我们记录12.8%的美( 0.0001)使用纳米分类模型4的特性,而最好的磁共振成像模型显示2.6%的美( 0.001)和13个功能。同样,双峰模型9生物标志物提供了3.2%的美( 0.002)。我们观察到较低的预测错误随访持续时间相对较长,因此加强随访时间较长这一事实的提高可预测性的标记。


图4
平均绝对误差(MAE)记录表现最佳模型在实验设置为6个月,1-year-ahead预测标志。
4.3。对MCIp与mci的分类使用纵向数据

图5土地平均AUC的趋势(蓝线)和准确性(黄线)指标的GT(虚线)和提出了6-month-ahead(实线)分类方法(第一列)和1-year-ahead(第二列)的预测。从图的图表5,我们可以集体注意,最初,分类性能增强预测的数量增加,但后来,我们观察无显著改变由于不那么重要的特性。一个有趣的观察是,MRI措施,尽管是准确地预测,AUC交付至少分类。这个观察是按之前的报告由布鲁克斯et al .,哪个州,纵向生物标记在获取广告动态效率较低比认知得分。同样被Gomar结论et al。5,6和大口水壶等。44]。提出的假设的预测模型斯珀林et al。1)也描绘了一个更清晰的认知能力下降相比,结构大脑的萎缩。然而,我们的系统是最高的分类能力当使用纳米措施结合MRI表中提到的措施5。在6个月和1-year-ahead预测,该方法提供了一个最大的AUC的91.2% ( 4.7×10−6)和95.7% ( 4.1×10−7)使用19日和9双峰特性,分别。在图6,我们显示GT AUC的区别和AUC通过我们的系统,这是最大的纳米和MRI的措施。这种观察源于纳米的趋势前面提到最高的预测误差而MRI测量更准确地预测。表6需要的准确性、敏感性和特异性的方法使用最优模型为6个月,1-year-ahead预测。双峰设置提供了改进的敏感性和特异性与单峰模型。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图5
趋势指出在GT和AUC和准确性得到6-month-ahead(第1列)和1-year-ahead(2)列转换预测。
表5
地面实况的比较(GT) AUC和AUC使用该方法获得的。

图6
不同地面真理和获得分类AUC为6个月,1-year-ahead转换预测。
表6
平均MCIp与mci的性能指标。

上述性能指标得出结论,更长的随访时间和多模式预测有利的未来值预测和预测早期AD发病。结合生物标志物和认知得分增加信心的渐进性质潜在的障碍。ADAS RAVLT被证明是最丰富的两个标记表示的转换任务。这些发现已经被许多人主张,包括(9,14,15,44]。

表7显示了一个简单的比较电流在纵向ADNI结果与最先进的结果数据集主要使用纳米和核磁共振成像数据。AUC是比较占不平衡的数据。Misra et al。8)和Davatzikos et al。18)采用MRI图像分配异常分数MCIp和mci患者。高维分类方法应用于检测成绩MCI发展为广告。他们提出了各自的auc只有77%和73.4%。

表7
与最先进的基于ADNI数据集的结果。

同样,Hinrichs et al。45)提出了一种多通道疾病标记使用各种形式的数据(MRI,宠物,和认知得分)加上SVM分类识别MCIp病人。实验表明,该技术使用纵向最大MCIp产生核磁共振数据分类AUC的79%。Moradi et al。11]也促进了一个总体的框架MCI转换预测生物标志物使用MR成像数据和认知得分随着年龄的调整。总生物标志物使用随机森林呈现90.2%的AUC设计。然而,高维图像数据的使用会降低系统的功效。

相反,Zhang et al。9]试图预测未来的临床改变生物标志物利用MRI和PET数据和确定MCIp AUC 76.8%使用multikernel SVM。其他尝试预测生物标志物的纵向轨迹也最近报道(49]。Spasov et al。46)应用MRI和临床数据的深度学习方法执行分类92.5%的AUC说。

虽然大多数研究侧重于结合多通道数据并投射到一个单独的空间,我们认为,考虑到独立预测因子可以保留MCIp识别所需的更多信息。由于脑萎缩之间的“滞后”和认知能力下降,当识别预测给出独立分类器,提高分类性能得到记录。本文方法已录得的最高分类AUC 95.7%主要是由于涉及预测标记价值转换的时候作为分类特征。我们的方法是灵活的,可以很容易扩展将其他纵向预测。

5。结论

在目前的研究中,我们提出了一个管道来识别MCI病人在未来将开发广告。认知状态和MRI措施分别和共同使用。纵向观察到的趋势预测是用来预测未来变化的预测价值。使用时间序列数据的标记分类主题不寻常或稳定的特性。我们最好的双峰模型预测未来值精度高(美:3.64%),取得了一个很好的分类性能(AUC: 91.2%,精度:84%)预测6-month-ahead转换。1-year-ahead AD诊断结果更稳定(美:3.18%,AUC: 95.7%,精度:81%)。我们认为这将是有趣的结合其他因素,如宠物和CSF措施在这个框架和重复longer-term-ahead预测的过程。使用遗传算法或神经网络权重学习也是一个探索大道在这一领域改善结果。

数据可用性

在本文中,我们使用了阿尔茨海默病的神经影像学提供的数据(ADNI)。ADNI数据传播的神经成像实验室在南加州大学。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

数据收集和分享这个项目是由阿尔茨海默病的神经影像学(ADNI)(美国国立卫生研究院的格兰特U01 AG024904)和国防部ADNI(国防部,奖号w81xwh - 12 - 2 - 0012)。ADNI是由美国国家老龄问题研究所资助,国家生物医学成像和生物工程研究所和慷慨的贡献从以下公司:AbbVie,阿尔茨海默氏症协会;阿尔茨海默病药物发现的基础;Araclon生物技术;BioClinica有限公司;生原体;百时美施贵宝公司;CereSpir有限公司;Cogstate;卫材公司。 Elan Pharmaceuticals, Inc.; Eli Lilly and Company; EuroImmun; F. Hoffmann-La Roche Ltd and its affiliated company Genentech, Inc.; Fujirebio; GE Healthcare; IXICO Ltd.; Janssen Alzheimer Immunotherapy Research & Development, LLC.; Johnson & Johnson Pharmaceutical Research & Development LLC.; Lumosity; Lundbeck; Merck & Co., Inc.; Meso Scale Diagnostics, LLC.; NeuroRx Research; Neurotrack Technologies; Novartis Pharmaceuticals Corporation; Pfizer Inc.; Piramal Imaging; Servier; Takeda Pharmaceutical Company; and Transition Therapeutics. The Canadian Institutes of Health Research is providing funds to support ADNI clinical sites in Canada. Private-sector contributions are facilitated by the Foundation for the National Institutes of Health (https://ida.loni.usc.edu/collaboration/access/www.fnih.org)。授权者组织是加州北部研究和教育研究所和阿尔茨海默病治疗的研究是协调在南加州大学的研究所。

补充材料

在ADNI,每个主题是通过一个独特的花名册上识别ID(去掉)。rid的受试者认为在这项研究中一样MCIp和mci的S1补充文件。(补充材料)