الملخص: تُعد أمراض الزهايمر وباركنسون أمراضاً عصبية تنكسية مرتبطة بالسن وغالبًا ما تتطلب إجراءات تدخّلية للتشخيص. قد تفشل الطرق التقليدية للتشخيص في التقاط التفاعل بين العلامات الجينية والجزيئية والعصبية. يهدف هذا المخطوط إلى تطوير نماذج تعلم آلي قابلة للتفسير يمكن أن تتنبأ بالعلامات الحيوية الرئيسية، مثل pTau، tTau، إيجابية Aβ، وشدة الأعراض الحركية، باستخدام بيانات غير تدخّلية. تم تدريب نماذج التعلم الآلي (Random Forest، XGBoost) باستخدام بيانات الخط الأساسي من ADNI وPPMI. باستخدام جينوتيب APOE4، أحجام أشعة الرنين المغناطيسي، درجات الإدراك، والبيانات السكانية كمدخلات، تم استخدام SHAP لتعزيز قابلية تفسير النموذج. حققت النماذج AUCs بلغت 0.859 (tTau) و0.852 (pTau) مع استرجاع > 80%. أدت شدة الحركة في PD إلى MAE بلغ 5.72 وR2 بلغ 0.586. أكد SHAP مساهمات حالة APOE4، ضمور الحُُصين، والاختلافات الدوبامينية. توفر خطوط الأنابيب توقعات ذات مغزى سريرياً لحالة العلامات الحيوية والأعراض الحركية، مما يدعم أدوات تشخيص عصبي متعددة المحاور وقابلة للتفسير في إطار التشخيص العصبي.
درس أوساغي وآخرون (الخميس) هذا السؤال.