第一篇機器學習論文刊出
目的：檢驗周邊血漿D-glutamate 濃度於正常認知功能族群，輕度認知障礙（MCI）和阿茲海默（AD）患者三種族群的差異，分析D-glutamate濃度與認知功能的相關性，並使用機器學習模型評估D-glutamate其預測能力。
這個研究有三個層次:
第一層檢驗不同族群間是否差異與認知功能相關性。
方法：總共招募了31名健康對照者，21名MCI患者和133名AD患者。使用高效液相色譜（HPLC）測量血清D-glutamate濃度。使用臨床失智評分量表（CDR）和簡短智能測驗（MMSE）評估認知缺陷的嚴重程度。MCI和AD組的血漿D-glutamate 濃度較低（分別為1097.79±283.99和785.10±720.06 ng / mL），低於健康對照組（1620.08±548.80 ng / mL）。 MMSE總分與D-glutamate 濃度呈正相關（r = 0.368，p <0.001）。多元回歸分析顯示D-glutamate 濃度與MMSE總分顯著相關（B = 0.003，信賴區間：0.002-0.005，p <0.001）。(Table 1, Figure 2)
第二層次使用傳統ROC D-glutamate 濃度對於MCI與AD分析。
針對健康對照組和所有MCI患者的ROC分析顯示，D-glutamate 濃度的最佳切點為1374.49，敏感度為0.905，特異性為0.613（AUC = 0.816）。 針對健康對照組和所有AD患者的ROC分析顯示，D-glutamate 濃度的最佳切點為971.56，敏感度為0.632，特異性為0.968（AUC = 0.839）。(Figure 1)
第三層次我們使用四種機器學習算法（support vector machine, logistic regression, random forest, and naïve Bayes）來構建最佳預測模型，以區分MCI或AD患者與健康對照。
結果： naïve Bayes模型和random forest模型是預測MCI和AD的最佳模型（area under the receiver operating characteristic curve：0.8207和0.7900；敏感性分別為0.8438和0.6997；特異性分別為0.8158和0.9188）。(Table 2)
結論：周邊血漿D-glutamate 濃度與認知障礙有關，因此可能是合適檢測MCI和AD的周邊生物標記。未來應用生物標記和機器學習算法，配合快速且經濟有效的HPLC可以幫助醫生在門診診斷MCI和AD。
