相关实验视频
Updated: Jul 17, 2025
05:17
Hybrid PET/MRI Imaging of Alzheimer's Disease Based on 18F-AV-1451
Published on: April 18, 2025
251
使用基于成像的ATN生物标志物的多式规范建模分析阿尔茨海默病的异质性
Sayantan Kumar1,2, Tom Earnest3, Braden Yang3
1Department of Computer Science and Engineering, Washington University in St Louis; 1 Brookings Drive, Saint Louis, MO 63130.
bioRxiv : the preprint server for biology
|September 4, 2023
概括
阿尔茨海默病 (AD) 的大脑变化是多样化的. 一个新的深度学习模型揭示了粉样蛋白,蛋白和神经退行 (ATN) 模式的个体差异,在晚期AD阶段显示出更大的异质性.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 阿尔茨海默氏症疾病研究研究
背景情况:
- 以前的研究使用单个神经成像类型来研究阿尔茨海默病 (AD) 的异质性.
- 这项研究引入了一个深度学习框架,分析多式联络神经成像生物标志物.
研究的目的:
- 应用基于深度学习的多式模式规范框架来分析粉样蛋白,蛋白和神经退行 (ATN) 成像生物标志物的个体变异.
- 通过使用特定主体的异常图来评估AD的集团内部异质性.
主要方法:
- 利用横截面发现 (n=665) 和复制 (n=430) 队列,使用T1加权的MRI,粉样PET和粉样PET.
- 采用规范建模来估计粉样蛋白阳性个体与对照个体的个体偏差.
- 根据ATN异常的空间范围和大小计算出疾病严重程度指数 (DSI).
主要成果:
- 在AD更严重的临床阶段,观察到ATN异常模式的集团内部异质性增加.
- 发现较高的DSI与较差的认知功能相关.
- 已经证明,较高的DSI与疾病进展风险增加有关.
结论:
- 跨ATN生物标志物的特定对象异常地图突出显示了AD对大脑的异质影响.
- 这种多模式的方法提供了对个体AD进展的细微了解.
