在临床[¹¹C]PiB PET成像中使用深度学习估计大脑粉样蛋白积累

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 准确估计大脑粉样蛋白对于认知障碍评估至关重要.
• 高通量粉样蛋白检测有助于临床试验和向治疗.
• 目前的方法需要有效和精确的粉样蛋白状态的确定.

研究的目的:

• 开发和验证深度学习模型来量化粉样蛋白积累.
• 从PET图像中使用标准化吸收值比率 (SUVR) 来分类粉样蛋白状态.
• 评估深度学习在临床常规和高通量管道中的潜力.

主要方法:

• 使用了1309名患者的[11C]PIB PET/CT或PET/MRI扫描.
• 在75%的PET/CT数据上训练了两个卷积神经网络 (CNN),用于分类和SUVR预测.
• 在剩余的PET/CT (n=300) 和所有PET/MRI (n=100) 数据上评估模型.

主要成果:

• 在队列中,粉样蛋白阳性患病率为61%.
• 与专家读者相比,CNN模型在粉样蛋白状态分类中实现了99%的准确性.
• 预测和参考SUVR之间的高相关性 (R2=0.96).
• 97%的准确性用于二元粉样蛋白分类使用预测的SUVR.

结论:

• 拟议的CNN模型准确地复制了专家的粉样蛋白分类和量化.
• 这种深度学习方法可以简化和加快临床程序.
• 该方法非常适合在临床环境中对高通量粉样蛋白状况进行评估.