バイオマーカー

科学分野:

• 神経画像
• 人工知能
• 神経病理学

背景:

• 臨床的な認知症診断は精度に課題があり、神経病理学がゴールドスタンダードとなっています。
• 深層学習モデルは臨床診断に基づいて訓練されることが多く、認知症タイプの予測精度を制限する可能性があります。
• この研究は、アルツハイマー病、血管性認知症、レビー小体型認知症の萎縮の定量化に焦点を当てています。

研究 の 目的:

• 神経病理学的に確認された診断で訓練されたマルチラベル深層学習ネットワークを開発しました。
• アルツハイマー病（AD）、血管性認知症（VD）、レビー小体型認知症（LBD）に特異的な脳萎縮パターンを定量化しました。
• 病理特定のための新しい非侵襲的神経画像指標を作成しました。

主な方法:

• 423人の認知症患者と361人の対照群から得られた3D T1強調MRIスキャンで深層学習モデルを訓練しました。
• 説明可能なヒートマップを生成して、病理特異的なパターンを視覚化しました。
• 脳の変化を定量化するために、Deep Signature of Pathology Atrophy REcognition（DeepSPARE）指数を開発しました。

主要な成果:

• 5分割交差検証により、0.844（AD）、0.839（VD）、0.623（LBD）のバランス精度を達成しました。
• 説明可能なヒートマップは、AD（海馬）、VD（白質）、LBD（後頭葉）の異なる脳領域を強調しました。
• DeepSPARE指数は、病理特異的な測定値（認知機能、Braakステージ、白質高信号）と有意に関連していました。

結論:

• 異なる認知症病理の生前の神経画像署名を特定するための深層学習フレームワークを実証しました。
• 新しいDeepSPARE指数は、正確で病理特異的かつ非侵襲的です。
• 認知症診断の改善のために、生体T1画像と病理学的同定を関連付けました。