使用深度学习的fMRI对大脑Aβ沉积的个性化评估

科学领域:

• 神经成像是一种神经成像.
• 生物标志物发现发现
• 人工智能在医学中的应用

背景情况:

• 对阿尔茨海默病 (AD) 评估的正子发射断层扫描 (PET) 在大规模查中面临局限性.
• 休息状态功能磁共振成像 (rs-fMRI) 显示了早期AD诊断的潜力.

研究的目的:

• 研究使用rs-fMRI功能连接 (FC) 来预测大脑粉样β沉积的可行性.
• 开发和验证一个综合框架,使用rs-fMRI数据预测粉样β-PET模式.

主要方法:

• 使用图形卷积网络 (GCNs) 和随机森林 (RF) 综合框架.
• 将框架应用于从rs-fMRI数据获得的多层FC网络.
• 在OASIS-3 (N=258) 和ADNI-2 (N=291) 数据集上验证了模型.

主要成果:

• 在三类Aβ-PET等级分类中达到62.8%和64.3%的准确性 (负,中等,阳性).
• 预测的全大脑区域水平Aβ-PET标准吸收值比率 (SUVRs),平均平方误差为0.039和0.074.
• 通过模型可解释性确定了边缘网络作为一个关键贡献者.

结论:

• 使用rs-fMRI以接近基于PET的诊断的高可行性和可重复性.
• 突出了低成本,可访问的MRI技术对AD评估的潜力.
• 表明rs-fMRI衍生的FC网络可以作为amyloid-β PET成像的替代品.