基礎科学と病態生理 | JoVE Visualize

科学分野:

神経画像診断と計算病理学。
神経学における機械学習の応用。

背景:

正確な認知症診断は、死後の神経病理に依存しており、生体評価を制限します。
陽電子放出断層撮影（PET）は、神経病理の生体予測のための潜在的な方法を提供します。
この研究は、FDG-PET画像を使用した神経病理予測のための半教師あり学習（SSL）モデルを提案します。

研究の目的:

単一FDG-PET画像からの神経病理予測のための半教師あり学習（SSL）モデルを開発および検証すること。
ラベル伝播のための患者類似性ネットワーク（PSN）を活用して神経病理学的状態を予測すること。
さまざまな認知症関連病理を区別するモデルの精度を評価すること。

主な方法:

1,495のFDG-PET画像から患者類似性ネットワーク（PSN）を使用したグラフベースのSSLモデルを構築しました。
主成分分析とコサイン類似性を使用して、画像類似性を定義し、PSNを構築しました。
ポアソン学習法は、PSN構造内のラベルなしデータに204の注釈付きケースから神経病理ラベルを伝播させました。
性能評価のために、1つ除外交差検証（LOOCV）を採用しました。

主要な成果:

モデルは、アルツハイマー病、タウ封入体を有する前頭側頭葉変性症、およびレビー小体病の予測において高い精度を示しました。混同行列分析により、予測パフォーマンスが確認されました。サンキーダイアグラムとラベル分布分析は、臨床診断と予測された神経病理との間に強い相関があることを示しました。

結論:

グラフベースのSSLは、神経病理学的ラベルが限られている場合でも、FDG-PET画像を使用して神経病理学的変化を効果的に予測します。
SSLモデルは、神経病理学的データが乏しい大規模な神経画像データを統合するのに役立ちます。
このアプローチは、認知症の診断と理解を進歩させる可能性を秘めています。