人工智能+阿尔茨海默

MCI为第一临床结局指标，AD确诊为第二临床结局指标。

数据预处理研究MCI/AD的数据特征，包括影像组学（MRI）、基因组学、外周血AD生物标志物、临床表型（感官指标、神经心理测验、运动指标）等多维度数据在MCI/AD及正常组人群的分布特征及比较。 影像学数据（颅脑MRI）：通过深度学习提取的MRI图片的特征值信息，并入MCI及AD的数据库。
MCI 预测模型在上述数据库中，然后使用特征选择方法筛选出用于建立预测模型的特征子集，通过机器学习算法（随机森林、神经网络等）构建多模态 MCI 发生风险模型。
AD 预测模型同样，在上述数据库中，使用特征选择方法筛选出用于建立预测模型的特征子集，这里在融入病患的MCI特征；即MCI是介于AD与正常人之间的过渡状态。需要在MCI人群再次识别，发展为AD的人群。再次通过机器学习算法（随机森林、神经网络等）构建多模态 AD 发生风险模型。
模型评价与验证针对现有机器学习算法的不足进行改进，并通过建立预测模型的方法，以模型准确率、特异性以及敏感性作为模型效果的评价标准，对比模型改进前后的效果验证改进方法的可行性。

正常人发展至AD，是一个缓慢变化过程；即通过现有多组学数据，结合机器学习算法，探究能够预测发生发展为MCI/AD的敏感因素，如外周血 AD 标志物等。

发病结局:
MCI为第一结局指标，AD为第二结局指标，并考虑发生MCI/AD时间。
模型选择:
在进行MCI和AD进展预测同时，需要考虑时间因素，既往研究对最终变量的确定为MCI和AD，但是在建立监督式的机器学习模型时，只考虑预测因子与因变量（MCI和AD）之间的关系，目前建立的机器学习分类模型，并不能准确刻画AD 相关的认知连续谱。
生存分析:
涉及因变量包含时间因素，考虑生存分析，选择Cox回归模型及机器学习的生存分析模型，建立MCI/AD发生发展的风险模型。

通过建立基于机器学习的MCI及AD风险预测模型，识别出重要的影响因素，预测个体发生AD的概率。基于此，可制定干预(或治疗)策略，针对其危险因素进行预防与控制。
在对目标的人群随访基础上，对MCI人群进行干预与治疗。可能会出现部分群体对干预措施有正向效应，部分群体可能无效或出现负向效应。通过机器学习算法，对干预措施（或治疗）产生不同反应的MCI个体进行区分识别，从而实现个体化干预策略的实施。

基于机器学习的递归分区算法是一种可识别具有相似关联模式(如在预测变量和反应之间的关联)亚群的数据驱动的人工智能方法。利用现有多组学数据，结合机器学习的分类模型，对不同干预措施下MCI人群进行分类，以到达AD的时间作为反应变量，并计算不同干预策略相关的 HR，从而为患者的个体化治疗提供参考。