摘要
轻度认知障碍（MCI）是一种异质性病症，高达40%的患者在临床诊断后三年内会进展为痴呆症。虽然MRI、PET和脑脊液（CSF）生物标志物已显示出预后价值，但其有限的可及性限制了常规使用。我们旨在开发和验证一种基于CT的机器学习模型，以预测MCI患者向痴呆症的转化。我们分析了791名MCI患者的基线CT扫描和纵向神经心理学评估结果。候选预测因子包括人口统计学因素、APOE基因型、临床痴呆评定量表-总分（CDR-SB）以及区域脑脊液和脑室体积的CT衍生W分数。CT衍生的W分数代表区域脑脊液和脑室体积的年龄、性别和模态调整z分数。转化者年龄更大（73.4 vs. 70.7岁，p < 0.001），更常为女性（60.4% vs. 51.4%，p = 0.015），且更可能携带APOE ε4等位基因（52.5% vs. 40.0%，p < 0.001）。采用SMOTEENN抽样方法的逻辑回归取得了最佳性能（曲线下面积[AUC] = 0.840；准确率 = 0.743；敏感度 = 0.847；特异度 = 0.674），在独立测试集上表现出稳健的泛化能力（AUC = 0.823）。特征选择和SHAP分析确定了六个关键预测因子，包括CDR-SB、APOE ε4、年龄和三个CT衍生的体积指标（左侧下外侧脑室、左侧顶叶脑脊液和左侧枕叶脑脊液的W分数）。我们的研究结果表明，CT衍生的体积分析结合临床和遗传特征，能够实现对MCI患者向痴呆症转化的准确且可解释的预测。
引言
轻度认知障碍（MCI）代表了正常认知与痴呆症之间的过渡阶段，相当一部分MCI患者最终会进展为阿尔茨海默病（AD）或其他类型的痴呆症。然而，即使在处于相似基线阶段的患者中，其进展过程也高度多变，这为识别近期临床进展风险最高的个体带来了重大挑战。这种多变性凸显了临床需要可靠的预后工具来指导及时干预和个性化护理规划。
已有多项因素被证实影响从MCI向痴呆症转化的可能性。年龄仍然是最强的不可改变预测因子之一，而载脂蛋白E（APOE）ε4等位基因的存在一直与进展风险增加相关。基线认知状态，通常由神经心理学测量如临床痴呆评定量表-总分（CDR-SB）捕获，也起着关键作用。反映结构性脑变化的影像标志物，特别是内侧颞叶萎缩和顶叶及枕叶区域更广泛的皮质变性，已被进一步确定为未来认知下降的重要指标。尽管有这些见解，这些因素的相对贡献及其整合到实用预测模型中的方式仍未得到充分理解。
基于这些风险因素，多项研究试图开发预测MCI患者向痴呆症转化的分类器。许多模型利用了结构磁共振成像（MRI）、¹⁸F-氟脱氧葡萄糖-正电子发射断层扫描（FDG-PET）或脑脊液（CSF）生物标志物，单独或组合使用，并报告了预测准确率和曲线下面积（AUCs）通常在0.70-0.85范围内。虽然这些方法提供了有用信息，但它们往往依赖于成本高、侵入性强或可及性有限的模态，限制了其在常规实践中的广泛应用。然而，最近的方法学进展使得能够从非对比计算机断层扫描（CT）扫描中准确量化脑萎缩，我们研究组及其他研究者已证明CT衍生的体积测量与MRI测量显示出高度一致性。这表明，价格低廉且广泛可用的CT可以为预后建模中的体积评估提供实用替代方案。重要的是，基于CT的体积评估的目的不是取代高级生物标志物或实现临床前检测，而是重新利用常规临床环境中已有的影像数据进行实用的预后分层。在临床实践中，非对比头部CT经常在疑似认知障碍患者的评估中获取，以排除可能模拟痴呆综合征的继发原因，如肿瘤、颅内出血、梗死或脑积水。这种临床工作流程为利用已获取的CT数据进行预后评估创造了机会，无需额外的影像负担。在本研究中，我们的目标是开发和验证一种基于机器学习的模型，使用CT衍生的脑萎缩体积测量来预测MCI患者的近期痴呆转化。通过量化CT扫描中年龄和性别调整的区域脑萎缩分数，并将其与人口统计学、遗传和临床特征整合，我们寻求识别最具信息量的预测因子，并构建一个稳健、可解释且临床可扩展的预后模型。
结果
基线参与者特征
研究参与者基线特征总结见表1。研究共纳入791名MCI患者（平均年龄71.8岁，55.0%为女性，平均受教育12.2年），其中356名（45.0%）为APOE ε4携带者。在三年随访期间，318名患者（40.2%）转化为痴呆症。在转化者中，从基线到痴呆转化的平均时间为2.0±0.7年（中位数，2.0年）。在基线时，转化者显著年长（73.4 vs. 70.7岁，p < 0.001），女性比例更高（60.4% vs. 51.4%，p = 0.015），且更可能为APOE ε4携带者（52.5% vs. 40.0%，p < 0.001），与非转化者相比。转化者的基线CDR-SB评分也高于非转化者（2.1 vs. 1.2，p < 0.001）。两组之间的受教育年限没有显著差异（p = 0.064）。
区域W分数差异
图1显示，与非转化者相比，转化者在所有区域的一致性W分数均较低，反映了更大的脑脊液或脑室扩大。经过错误发现率（FDR）校正后，组间差异均具有统计学意义（所有p < 0.05）。最显著的差异出现在下外侧脑室（平均差异≈−0.75至−0.78，p < 0.001），其次是颞叶脑脊液区域（平均差异≈−0.64至−0.78，p < 0.001）。在顶叶和枕叶脑脊液区域也检测到显著但较小的降低（平均差异≈−0.35至−0.56，p < 0.001）。全局复合W分数在转化者中也显著降低（−0.59，p < 0.001）。
分类性能
我们评估了多种抽样策略和机器学习模型的组合（补充表1）。表2总结了不同抽样策略和机器学习模型的分类性能。使用合成少数类过采样技术与编辑最近邻（SMOTEENN）抽样方法的逻辑回归（LR）模型取得了最佳性能，AUC为0.840，准确率为0.743，敏感度为0.847，特异度为0.674。梯度提升（GB）、随机森林（RF）、支持向量机（SVM）、极端梯度提升（XGBoost）和多层感知器（MLP）的最佳模型均表现出较低的AUC（0.831–0.824），未超过SMOTEENN的LR性能，因此我们选择该模型作为后续分析的最终分类器。
为评估CT衍生结构特征的增量价值，我们比较了临床模型和组合模型的判别性能。包含年龄、性别、受教育年限、APOE ε4和CDR-SB的临床模型达到了0.789的AUC。当添加CT衍生的W分数时，组合模型表现出显著改善的性能，AUC为0.821。根据DeLong检验，两个模型的AUC差异具有统计学意义（Z = 2.628，p = 0.009），表明CT衍生的体积特征提供了超出传统临床预测因子的额外判别价值（补充表2）。
Kaplan-Meier生存分析显示预测风险组之间向痴呆转化的时间存在显著差异（对数秩检验，p < 0.001，补充图2）。Cox比例风险回归显示，与非转化组相比，转化组的转化风险高3.14倍（95% CI：2.06–4.79，p < 0.001）。三年无痴呆生存率在非转化组为73.8%（95% CI：66.4%–82.0%），在转化组为40.5%（95% CI：32.5%–50.5%）。
决策曲线分析（DCA）表明，与临床模型相比，组合模型在广泛的相关临床阈值概率范围内（约20%–55%）提供了更大的净收益，支持CT衍生特征的增量临床效用（补充图3）。
交叉验证和独立测试
SMOTEENN-LR模型在交叉验证期间表现出持续强劲的性能，五个fold的fold-wise AUC范围为0.772至0.862（平均≈0.84）（图2A）。重要的是，该模型在独立验证数据集上保持了稳健的泛化能力，AUC为0.823（图2B）。在预设的概率阈值下，最终模型在测试数据集上显示出平衡的分类性能，敏感度为0.76，特异度为0.70（补充图1）。
特征选择和模型解释
在选择最终模型之前，我们将递归特征消除与交叉验证（RFECV）作为特征筛选步骤。在性能最佳的分类器中，应用于20个候选预测因子的RFECV选择了六个最优特征：CDR-SB、APOE ε4基因型、左侧下外侧脑室、年龄、左侧顶叶脑脊液和左侧枕叶脑脊液。然后我们使用SHapley可加解释（SHAP）来检查这六个预测因子在最终模型中的相对重要性（图2C）。其中，CDR-SB产生了最强的影响，SHAP值高达+0.6，表明与转化风险有强烈正相关。APOE ε4携带状态（SHAP高达+0.4）和年龄较大（高达+0.3）也显著贡献。对于影像特征，左侧下外侧脑室（−0.3至+0.4）、顶叶脑脊液（−0.2至+0.3）和枕叶脑脊液（−0.15至+0.25）中较低的W分数——反映了更大的脑脊液体积——始终与痴呆转化概率增加相关。
讨论
在本研究中，我们开发并独立验证了一种基于CT衍生特征和临床变量的机器学习模型，用于预测MCI患者的痴呆转化。我们的主要发现如下。首先，区域CT分析显示转化者在多个脑区域表现出持续较低的W分数，特别是在下外侧脑室和颞叶脑脊液区域。第二，逻辑回归模型，特别是与SMOTEENN抽样策略结合时，达到了最高的预测性能，并在独立数据集中展示了稳健的泛化能力。第三，特征选择和SHAP分析确定了六个关键预测因子——CDR-SB、APOE ε4基因型、年龄和三个区域CT衍生的W分数——这些因子对模型预测的贡献最大。综合来看，我们的研究结果表明，将简单的CT衍生结构测量与临床和遗传标志物整合，能够实现对MCI患者痴呆转化的准确和泛化预测。这种方法可能有助于在临床环境中进行早期风险分层，并改进个性化干预和临床试验的设计。
我们发现约40%的MCI患者在三年内转化为痴呆症，转化者与非转化者在几项基线人口统计学和临床特征上存在差异。具体而言，转化者年龄更大，更常为APOE ε4携带者，并且基线认知障碍更严重，这反映在较高的CDR-SB评分上。这些发现与先前的研究一致，表明高龄、APOE ε4基因型和基线细微认知缺陷是MCI向痴呆症进展的稳健风险因素。综合来看，我们的结果强化了遗传易感性和基线认知负担对临床转化可能性的实质性贡献这一既定概念。
我们的第一个主要发现是转化者在多个脑区域表现出持续较低的W分数，最显著的差异出现在下外侧脑室，其次是颞叶脑脊液区域。这些结果与先前的研究一致，表明海马萎缩是从MCI向痴呆症进展的最早和最稳健的影像标志物之一。下外侧脑室直接与海马相邻，该区域的脑室扩大长期以来一直被用作海马萎缩的替代标志物，包括在既定的视觉评分量表中。因此，我们的研究结果进一步强化了内侧颞叶萎缩在预测痴呆转化中的关键作用。除了内侧颞叶区域外，我们在顶叶和枕叶脑脊液区域也观察到显著的组间差异。这些发现与先前的工作一致，强调顶叶和枕叶皮质萎缩，特别是涉及后皮质网络，与阿尔茨海默病进展密切相关。这些区域观察到的脑脊液扩张可能反映了潜在的皮质变薄和神经变性，提供了额外的证据，表明后皮质萎缩对MCI向痴呆症转化的风险有实质性贡献。
我们的第二个主要发现是逻辑回归模型，特别是与SMOTEENN抽样策略结合时，达到了最高的预测性能，并在交叉验证和独立验证中结果一致。SMOTEENN–LR模型在交叉验证中产生0.840的AUC，在独立测试数据集中产生0.823的AUC，对识别转化者具有高敏感度（0.847）。据我们所知，使用CT作为主要模态预测MCI向痴呆症转化的预后模型很少见，因为大多数先前的研究依赖于结构性MRI、FDG-PET或CSF生物标志物。这些研究通常报告AUC在0.70–0.80范围内，只有少数多模态方法达到0.82–0.85以上的值。在此背景下，我们CT模型的性能可与先前发表的预后模型相媲美，有时甚至超过它们。然而，这些模态成本高、具有侵入性或在临床实践中不可常规获得，这限制了它们的广泛应用。重要的是，基于CT的预后建模的临床价值不在于取代高级生物标志物，而在于从认知障碍诊断评估中已常规获取的影像模态中提取额外的预后信息。在此临床工作流程中，基于CT的预后建模利用了常规诊断工作流程中已有的影像数据，而不是需要额外或特殊的检查。相比之下，我们的方法仅依赖于CT衍生的结构特征与基本临床和遗传信息的结合，却达到了相似的判别性能水平。此外，CT衍生特征的附加价值通过比较分析得到进一步支持，显示当CT衍生的W分数与临床预测因子一起包含时，模型性能得到改善。这一发现突显了CT作为一种广泛可用且价格低廉的影像模态作为MCI患者风险分层实用工具的潜力。值得注意的是，选择简单的逻辑回归模型是有意为之，优先考虑可解释性和临床透明度而非算法复杂性，这对现实世界的实施至关重要。
我们的最后一个主要发现是特征选择和SHAP分析确定了六个关键预测因子——CDR-SB、APOE ε4基因型、年龄和三个区域CT衍生的W分数——这些因子对模型预测的贡献最大。这一发现为我们的方法提供了重要的可解释性和生物学合理性，补充了上述性能结果。CDR-SB和APOE ε4状态的突出地位与痴呆转化公认的临床和遗传风险因素一致。重要的是，尽管APOE ε4有助于风险分层，但应用所提出模型并不需要它，因为核心预测信号主要由基线认知状态和CT衍生的结构测量驱动。年龄同样被反复确认为认知下降最强大的不可改变预测因子之一。除了这些传统因素外，CT衍生特征的包含，如下外侧脑室、顶叶脑脊液和枕叶脑脊液体积，突显了结构性脑变化对模型预测能力的贡献。这些区域对应于海马和后皮质萎缩，被广泛认为是阿尔茨海默病进展的关键影像标志。综合来看，我们的模型不仅表现出强劲的性能，而且其预测力量来源于具有公认的生物学和临床相关性的特征，从而增强了其潜在转化为临床实践的可信度。从实用角度看，APOE ε4可以被视为一个可选变量，在专业环境中增强预后细化，而该模型在常规或资源有限的环境中仅使用CT和基本临床数据仍然适用。通过透明的建模框架和SHAP分析实现的这种可解释性，代表了我们方法的一个关键优势，并支持其潜在整合到常规临床决策中。虽然SHAP分析表明少数特征解释了大部分预测贡献，但这些特征代表了痴呆进展的已建立的临床和神经生物学标志，支持生物学合理性而非模型不稳定性。
重要的是，基于CT的预后建模的临床价值不在于取代MRI、PET或液体检测等高级生物标志物，而在于从认知障碍诊断评估中已常规获取的影像模态中提取额外的预后信息。在许多临床环境中，非对比CT用于排除认知下降的继发原因，包括脑肿瘤、出血、梗死或脑积水。在此现有工作流程中，所提出的模型能够在不增加额外影像、成本或患者负担的情况下进行机会性风险分层。通过识别近期痴呆转化高风险个体，该模型可能支持更量身定制的临床管理，包括更密切的随访、更早启动支持性和非药物干预，以及及时向患者和护理者提供咨询，而低风险个体可能免于不必要的诊断升级和频繁就诊。模型生成的连续风险评分可用于将MCI患者分为近期痴呆转化的低、中、高风险组。除了常规护理外，这种基于CT的风险分层还可能通过选择性识别在特定随访期内更可能显示临床进展的个体，促进临床试验中的预后富集，从而提高试验效率并减少筛选负担。这种基于CT的风险分层方法在MRI、PET或血浆生物标志物获取受限的初级和二级医疗环境中可能特别有价值，从而支持可扩展和具有成本效益的痴呆护理。
本研究强调了非对比CT作为一种价格低廉且广泛可用的影像模态，结合纵向认知评估，构建痴呆进展准确和可解释预后模型的潜力。尽管结果被定义为二元的，但模型输出连续的转化概率，允许在临床有意义的阈值上进行灵活的风险分层。然而，应指出几个局限性。首先，CT影像具有内在的技术限制，包括与MRI相比软组织对比度较低、易受骨-脑界面伪影影响以及对获取和重建参数的敏感性。虽然通过使用单一扫描仪和标准化图像处理流程最小化了这些影响，但此类因素仍可能影响体积测量，未来研究应评估该方法在多中心和多扫描仪设置中的性能。第二，我们的CT模型没有与MRI或PET方法直接比较，需要进行面对面评估以确定相对性能。第三，虽然回顾性设计不适合因果推断，但对于预后建模是合适的，特别是当预测因子在基线定义且结果纵向评估时，如本研究所示。第四，虽然无法确定MCI的确切发病时间和持续时间，但我们的方法侧重于预测从标准化基线评估出发的短期转化风险，而不是建模疾病持续时间。第五，我们将转化者与非转化者进行二元分类可能会过度简化临床轨迹的异质性，其中包括超出认知的功能和神经精神领域。第六，我们的分析仅基于基线CT影像，没有纵向影像数据。因此，我们无法评估CT衍生体积测量的时间变化是否提供超出基线评估的额外预后价值。第七，研究队列由在临床评估或研究方案中接受淀粉样蛋白PET-CT的患者组成，代表了一个经过临床富集的MCI人群。这种选择可能会限制对常规实践中遇到的未经选择的MCI人群的泛化性。第八，虽然使用了嵌套交叉验证框架和独立测试集来减轻过拟合，但未在完全独立的多中心队列中进行复制，需要进一步验证以确认稳健性和可扩展性。第九，虽然使用了嵌套交叉验证框架和独立测试集来减轻过拟合，但使用SMOTEENN等重采样技术仍可能引入一定程度的模型乐观性。此外，我们主要关注判别性能而非校准，未评估正式的校准指标，如Brier分数。未来的研究纳入校准分析并在更大、更异质的队列中进行重复验证，将有必要进一步建立模型的稳定性。最后，由于所有参与者在基线时都接受了淀粉样蛋白PET-CT，我们的队列表示一组选定的MCI患者，可能不能完全代表常规临床实践中遇到的未经选择的MCI人群。因此，在将绝对风险估计推广到更广泛人群时应谨慎。然而，预后模型本身并不纳入淀粉样蛋白PET信息，仅依赖于CT衍生的结构测量和基本临床变量，这支持其在无法获得PET成像的环境中潜在适用性。尽管如此，值得注意的是，即使有这些局限性，我们的研究为基于CT的预后提供了有意义的证据支持。将此类模型整合到常规工作流程中可能潜在支持风险分层，前提是进一步在更广泛和更具异质性的临床人群中进行验证。
总之，我们的研究表明，非对比CT结合临床和遗传标志物可以为预测MCI患者的痴呆转化提供准确和可解释的预后模型。虽然预后预测并不直接改变痴呆症的治疗策略（目前仍然有限），但识别近期转化高风险个体对临床管理具有重要意义。风险分层可以指导随访强度，指导重复认知评估的时机，并支持更早转诊至专业记忆诊所。此外，高风险患者的早期识别使得能够及时向患者和护理者提供咨询，促进预先护理规划，并可能有助于选择适合临床试验或预防干预计划的适当候选者。
方法
研究参与者
这项回顾性预后队列研究包括总共791名轻度认知障碍（MCI）患者，这些患者在2015年1月至2022年12月期间连续招募，其中基线临床和CT衍生变量用于预测三年随访期内向痴呆症的转化（图3）。所有参与者均作为连续临床研究计划的一部分接受了淀粉样蛋白正电子发射断层扫描-计算机断层扫描（PET-CT）扫描和纵向神经心理学评估，形成了一个特征明确但经过选择的MCI队列。MCI根据以下标准诊断：（1）自我或知情者报告的认知主诉；（2）至少一个认知领域的客观认知障碍（基于年龄和教育调整的常模，记忆≤−1.0标准差[SD]或其他领域≤−1.5 SD）；（3）日常活动能力保留；（4）无痴呆症。所有参与者基线临床痴呆评定（CDR）全球评分为0.5，基于CT扫描一年内进行的神经心理学测试。
CT图像获取
本研究中分析的CT图像是作为淀粉样蛋白PET-CT协议的一部分获取的低剂量扫描，主要用于衰减校正，而非为预后评估进行的独立CT检查。所有CT扫描均使用同一PET/CT扫描仪型号（Discovery STe，GE Medical Systems，密尔沃基，威斯康星州，美国）在单中心以三维模式获取，确保参与者之间硬件和重建算法的一致性。常见获取参数包括3.75毫米的切片厚度、STANDARD卷积核和512×512矩阵。根据PET示踪剂协议，管电压和管电流范围分别为120-130 kVp和50-95 mA。像素大小范围为0.488至0.500毫米，产生0.488–0.500×0.488–0.500×3.75毫米³的体素。
CT图像处理和量化
自动CT体积分析使用Morph CT软件进行，这是一种自动深度学习分割管道，之前已在大型独立队列中与3D T1加权MRI进行了验证，显示出高分割准确性和区域脑脊液和脑室体积的强CT-MRI一致性。该管道的详细方法，包括网络架构和验证程序，已在我们先前的研究中报道。软件的输入仅包含非对比CT图像。图像处理过程中未使用任何脑脊液生物标志物、实验室值或临床变量。该软件分割了14个解剖区域，并基于脑脊液（CSF）和外侧脑室（LV）体积生成W分数。W分数是使用K-ROAD队列中的回归基础规范模型推导的，其中区域脑脊液和脑室体积被建模为年龄、性别和影像模态的函数。对于每位参与者，W分数代表在个体特定年龄、性别和影像模态下预测的规范值的偏差，通过模型的残差标准差进行归一化。区域W分数和通过求和所有14个区域的区域W分数计算的全局复合W分数均被用作影像生物标志物。
主要结局
主要结局是痴呆转化，定义为从MCI到痴呆症的进展，发生在基线神经心理学评估后三年内。转化被操作化为达到临床痴呆评定（CDR）全球评分≥1，通过标准化神经心理学测试和临床评估确定。选择这个三年随访窗口来捕获近期临床进展，这对MCI患者的预后分层特别相关，因为先前的纵向研究表明，约50%的MCI个体在临床诊断后三年内转化为痴呆症。非转化者被定义为在随访期间未达到此阈值的个体。随访期间CDR或CDR-SB评分的短暂波动或适度改善未用于重新定义结局状态。如果在任何随访访问中达到痴呆阈值，则将参与者分类为转化者，否则为非转化者。
预测变量
候选预测变量包括：（1）人口统计学和临床变量（年龄、性别、受教育年限、APOE ε4携带状态、基线CDR-SB）；（2）CT衍生的体积特征（14个区域和一个全局W分数）。总共20个候选变量进入模型开发。未将高血压和糖尿病等血管风险因素包括在模型预测变量中，因为主要目的是评估CT衍生结构测量与基线影像中常规可用的核心临床变量结合的预后效用。
机器学习模型开发和比较分析
基线人口统计学和临床预测变量包括年龄、性别、受教育年限、APOE ε4携带状态和CDR-SB评分，加上14个脑区域和一个全局W分数的区域W分数，共产生20个候选预测变量（表2）。所有连续变量均进行缩放以提高模型稳定性：年龄、受教育年限和W分数使用z分数标准化，而CDR-SB使用稳健缩放器缩放以减轻异常值的影响。性别和APOE ε4携带状态被二进制编码。
数据集分为训练/验证集（70%）和独立测试集（30%），使用分层抽样以保持转化者和非转化者比例。所有模型开发程序，包括特征选择和超参数优化，仅限于训练/验证集，以防止数据泄漏。所有重采样程序和特征选择步骤均在嵌套交叉验证框架的训练折叠内专门执行，以防止信息泄漏并降低过拟合风险。
我们系统评估了六种机器学习分类器——LR、RF、GB、SVM、XGBoost和MLP——在六种抽样策略下的表现，这些策略旨在解决类别不平衡问题：不抽样、RUS、ROS、SMOTE、SMOTEENN和SMOTETomek。采用嵌套分层五折交叉验证框架进行稳健评估。外部循环提供无偏模型性能估计，而内部循环进行超参数调整的详尽网格搜索。抽样策略和RFECV仅应用于每个外部fold的训练子集，以避免信息泄漏。对于每个分类器，RFECV在内部循环的训练数据上用作包装器式特征选择方法。该过程迭代移除最不具信息量的预测因子，并选择在交叉验证AUC上针对该分类器最大化的预测因子子集。这产生了针对模型的预测因子子集。因此，RFECV针对每个分类器单独优化，允许线性和非线性模型保留对其各自决策机制最相关的特征。在比较所有分类器的性能后，我们确定了性能最佳的模型。使用为该模型获得的特征子集和超参数，我们在完整的训练/验证集上重新拟合最终模型，并在独立测试集上评估它。性能指标，包括准确率、敏感度、特异度和AUC，在完全从模型开发所有阶段保留的独立数据集上计算。
统计分析
所有统计分析均使用R（R Studio版本2023.12.1+402）进行。在人口统计学分析中，使用卡方检验比较转化者和非转化者之间的分类变量，而连续变量则使用Welch双样本t检验进行比较。为评估区域脑萎缩的组间差异，我们使用独立样本t检验比较了转化者和非转化者之间的区域W分数，并应用错误发现率（FDR）校正来调整多重比较。
在三年随访期内进行生存分析以评估向痴呆转化的时间。为每个预测风险组（转化者和非转化者）构建Kaplan-Meier生存曲线，并使用对数秩检验评估组间差异。进行Cox比例风险回归以估计痴呆转化的风险比，将非转化组作为参考类别。
进行决策曲线分析（DCA）以通过估计一系列阈值概率范围内的净收益来评估组合模型和临床模型的临床效用。DCA使用RStudio（版本2023.12.1）中的曲线包进行。
【全文结束】