アルツハイマー病イメージングコンソーシアム

科学分野:

• 神経画像
• 人工知能
• バイオマーカー定量化

背景:

• アミロイドPETのCentiloid定量化は、標準化摂取率比（SUVR）に依存していますが、これはノイズや参照領域の問題の影響を受けやすいです。
• スキャン固有のばらつきを学習することで、これらの限界に対処するために新しい深層学習手法が開発されました。

研究 の 目的:

• アミロイドPETにおけるSUVR定量化を補正するための深層学習アプローチ（DeepSUVR）を開発および検証すること。
• 複数のコホートやトレーサー間でのアミロイドPETデータの精度と調和性を向上させること。

主な方法:

• 2,281人の参加者（7,380回のスキャン）の縦断的データで深層学習ネットワーク（DeepSUVR）をトレーニングし、SUVR補正係数を予測しました。
• 7つの大規模コホート（8,806人の参加者、12,320回のスキャン）でDeepSUVRを検証し、標準的なCentiloid法と比較しました。

主要な成果:

• DeepSUVRは、研究やトレーサー間でのベースラインCentiloid値の整合性を向上させ、ばらつきを減少させました。
• 認知スコア（MMSE）との相関を強化し、診断グループ（CDR）の分離を改善しました。
• 縦断的モデルの一致性を向上させ、臨床試験における治療関連の変化の効果量を増加させました。

結論:

• 深層学習は、横断的および縦断的に標準的な方法を上回るアミロイドPET定量化を大幅に進歩させます。
• DeepSUVRは、多様なデータセットやPETトレーサー間でのデータ調和性を向上させます。
• この方法は、特に微妙な介入効果を検出する際に、一貫した意思決定に不可欠です。