通过3D多任务MLP-Mixer神经网络的多模态PET嵌入功能来改善阿尔茨海默病诊断

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 用氧化葡萄糖 (FDG) 和花贝塔皮尔 (AV45) 的正子发射断层扫描 (PET) 对于阿尔茨海默病 (AD) 诊断是有效的,但由于成本和放射性而受到限制.
• 结构磁共振成像 (MRI) 是一种更便宜,更容易获得的神经成像模式.

研究的目的:

• 从结构性MRI数据开发一个深度学习模型,同时预测FDG-PET和AV45-PET标准化吸收值比率 (SUVRs).
• 用预测的SUVR来诊断阿尔茨海默病并区分稳定和渐进的轻度认知障碍.

主要方法:

• 采用了3维多任务多层感知机混合器深度学习架构.
• 该模型根据结构性MRI数据预测FDG-PET和AV45-PET SUVR.
• 来自SUVR预测的嵌入特征被用于疾病诊断.

主要成果:

• 该模型实现了FDG/AV45-PET SUVR的高预测精度,Pearson的相关系数分别为0.66和0.61.
• 预测的SUVR显示出高灵敏度和与疾病状况相关的截然不同的纵向模式.
• 该方法在多个数据集上在ADD诊断和轻度认知障碍歧视方面表现优于竞争对手的方法,在ADNI数据集上实现接收器运行特征曲线下的面积为0.968.
• 该模型对外部数据集和生物解释性表现出良好的概括性,突出了AD影响的关键大脑区域.

结论:

• 拟议的深度学习模型为使用结构性MRI进行阿尔茨海默病诊断提供了具有成本效益和非放射性的替代方案.
• 该模型显示了PET SUVR的强大预测能力和认知状态的准确分类.
• 该方法在阿尔茨海默病的研究和诊断中显示出更广泛的临床应用的前景.