基于脑区萎缩模式的阿尔茨海默病生物标志物
研究基于区域脑萎缩模式，用结构MR和监督机器学习开发AD生物标志物，分配连续AD评分。该标志物在独立样本中区分良好，或可用于其他神经退行性疾病（来源 figshare，CC BY 4.0 许可）
基本信息
资源简介
基于脑区萎缩模式的阿尔茨海默病生物标志物
DataSheet_1_A Biomarker for Alzheimer’s Disease Based on Patterns of Regional Brain Atrophy.docx
研究基于区域脑萎缩模式，用结构MR和监督机器学习开发AD生物标志物，分配连续AD评分。模型在ADNI-1训练，于ADNI-1和OASIS-1验证，并分析SHIP-Trend。ADNI-1和OASIS-1区分患者与健康对照准确率为89%（AUC=95%）和87%（AUC=93%）。AD评分与OASIS-1的MMSE相关（Cohen’s f2=0.13）；在SHIP-Trend中与言语记忆弱但显著相关（Cohen’s f2=0.009）。该标志物在独立样本中区分良好，或可用于其他神经退行性疾病（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
配套论文《Advanced brain aging: relationship with epidemiologic and genetic risk factors, and overlap with Alzheimer disease atrophy patterns》发表于 Translational Psychiatry（2016），DOI：10.1038/tp.2016.39。源站首次发布：2020-01-14。
【数据内容】
源站描述（机器翻译，仅供参考）：引言：已有研究表明，阿尔茨海默病（AD）伴随着显著的大脑结构改变，而这些改变可在临床诊断前数年通过结构磁共振（MR）成像检测到。在本研究中，我们采用有监督机器学习方法，开发了一种基于结构MR的生物标志物，用于在体检测AD。根据个体的脑萎缩模式，可为其分配一个连续的AD评分，该评分衡量其与AD临床病例中所见脑萎缩模式的相似度。 方法：采用来自阿尔茨海默病神经影像学倡议（ADNI-1 screening）的患者和健康对照的MR扫描来训练底层统计模型。验证在ADNI-1内部以及来自开放获取影像研究系列（OASIS-1）的独立患者样本中进行。此外，我们的分析还包括来自波美拉尼亚健康研究（SHIP-Trend）的大型一般人群样本数据。 结果：基于所提出的AD评分，我们能够区分ADNI-1和OASIS-1中的患者与健康对照，准确率分别为89%（AUC = 95%）和87%（AUC = 93%）。此外，在OASIS-1样本中，校正诊断、年龄、性别、年龄·性别及总颅内体积后，我们发现AD评分与通过简易精神状态检查（MMSE）评估的认知功能显著相关（Cohen’s f2 = 0.13）。进一步分析表明，基于AD评分和MMSE评分二者预测AD状态的准确率显著高于仅使用其中任一者。在SHIP-Trend中，我们发现AD评分与一项言语记忆测试呈弱但显著相关，该测试包括即时和延迟词语列表回忆（同样在校正年龄、性别、年龄·性别及总颅内体积后，Cohen’s f2 = 0.009）。这种关联主要由即时回忆表现驱动。 讨论：总之，我们提出的生物标志物在独立测试样本中能很好地区分患者与健康对照。它在患者样本和一般人群样本中均与认知功能指标相关。我们的方法可能也有助于为其他神经退行性疾病定义稳健的基于MR的生物标志物。
【数据结构与技术规格】
文件数 1 个，合计 58.37 KB。数据集 DOI：10.3389/fpsyt.2019.00953.s001。
【主题与分类】
源站学科分类：Psychiatry (incl. Psychotherapy)。主题标签：Alzheimer's disease、machine learning、dementia、magnetic resonance imaging、FreeSurfer。本站分类：神经系统疾病/阿尔茨海默病。
【适用方向】
源站学科分类标注为 Psychiatry (incl. Psychotherapy)。
【获取与许可】
源站页面：https://frontiersin.figshare.com/articles/dataset/DataSheet_1_A_Biomarker_for_Alzheimer_s_Disease_Based_on_Patterns_of_Regional_Brain_Atrophy_docx/11595510
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Frenzel, Stefan; Wittfeld, Katharina; Habes, Mohamad; Klinger-König, Johanna; Bülow, Robin; Völzke, Henry; et al. (2020). DataSheet_1_A Biomarker for Alzheimer’s Disease Based on Patterns of Regional Brain Atrophy.docx. Frontiers. Dataset
【使用注意】
· 源站最后修改于 2023-06-01，引用时请注意版本时效。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取（Figshare）
- 源站标题：DataSheet_1_A Biomarker for Alzheimer’s Disease Based on Patterns of Regional Brain Atrophy.docx
- DOI：10.3389/fpsyt.2019.00953.s001
- 发布日期：2020-01-14
- 文件数：1 个
- 文件总体积：58.37 KB
- 源站页面：https://frontiersin.figshare.com/articles/dataset/DataSheet_1_A_Biomarker_for_Alzheimer_s_Disease_Based_on_Patterns_of_Regional_Brain_Atrophy_docx/11595510
命令行下载
curl -L -o "DataSheet_1_A Biomarker for Alzheimer’s Disease Based on Patterns of Regional Brain Atrophy.docx" "https://ndownloader.figshare.com/files/20987718"
文件清单
DataSheet_1_A Biomarker for Alzheimer’s Disease Based on Patterns of Regional Brain Atrophy.docx（58.37 KB）
文件总体积 58.37 KB（源站 API 实测）。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据说明
引言：已有研究表明，阿尔茨海默病（AD）伴有显著的大脑结构改变，这些改变可在临床诊断前数年通过结构性磁共振（MR）成像检测到。在本研究中，我们采用监督式机器学习方法，开发了一种基于结构性MR的生物标志物，用于AD的在体检测。基于个体的脑萎缩模式，分配一个连续的AD评分，该评分衡量其与AD临床病例中所见脑萎缩模式的相似性。
方法：所依据的统计模型使用来自阿尔茨海默病神经影像学倡议（ADNI-1筛查）的患者和健康对照的MR扫描进行训练。验证在ADNI-1内以及来自Open Access Series of Imaging Studies（OASIS-1）的独立患者样本中进行。此外，我们的分析还纳入了来自波美拉尼亚健康研究（SHIP-Trend）的大型一般人群样本的数据。
结果：基于所提出的AD评分，我们能够在ADNI-1和OASIS-1中以89%（AUC = 95%）和87%（AUC = 93%）的准确率分别区分患者与健康对照。此外，在OASIS-1样本中，在校正诊断、年龄、性别、年龄×性别和总颅内体积后，我们发现AD评分与通过简易精神状态检查（MMSE）评估的认知功能显著相关（Cohen’s f2 = 0.13）。进一步分析显示，基于AD评分和MMSE评分两者预测AD状态的准确率显著高于仅使用其中一种。在SHIP-Trend中，我们发现AD评分与一项由即时和延迟单词表回忆组成的言语记忆测试呈弱但显著相关（同样在校正年龄、性别、年龄×性别和总颅内体积后，Cohen’s f2 = 0.009）。这种关联主要由即时回忆表现驱动。
讨论：总之，我们提出的生物标志物在独立测试样本中能很好地区分患者与健康对照。它与患者样本和一般人群样本中的认知功能测量指标均相关。我们的方法可能
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.3389/fpsyt.2019.00953.s001（source: https://frontiersin.figshare.com/articles/dataset/DataSheet_1_A_Biomarker_for_Alzheimer_s_Disease_Based_on_Patterns_of_Regional_Brain_Atrophy_docx/11595510）。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
