通过基于深度学习的FDG PET集群识别出阿尔茨海默病中空间大脑代谢模式的不同亚型

科学领域:

• 神经成像是一种神经成像.
• 代谢性脑成像 代谢性脑成像
• 人工智能在医学中的应用

背景情况:

• 阿尔茨海默病 (AD) 的特点是不同的临床和病理表现,需要客观的分类方法.
• 目前的AD亚型往往依赖于疾病的进展,突出显示了需要基于成像的方法独立于疾病阶段的需要.
• 识别不同的AD亚型可以提高对其异质病理生理学的理解.

研究的目的:

• 提取AD中独特的大脑新陈代谢模式,与疾病进展不同,用于客观的亚型.
• 根据FDG-PET成像开发和应用一个深度学习模型来识别AD亚型.
• 调查已识别的亚型在预测从轻度认知障碍 (MCI) 转化为AD的预后价值.

主要方法:

• 利用来自ADNI数据库的3620张FDG-PET图像 (AD,MCI,认知正常的参与者).
• 在AD患者的PET图像和严重程度得分上训练了一种有条件变化的自编码模型.
• 应用k-means集群到编码表示,并验证了MCI子类型和转换预测的模型.

主要成果:

• 根据空间代谢模式确定了四种不同的AD亚型:角形,头,轨道前端和最小的低代谢.
• 深度学习模型成功地分类了MCI患者的亚型.
• 在亚型中观察到MCI转化为AD转化率的显著差异,其中S2具有最高风险 (35.7%).

结论:

• 使用FDG-PET识别了具有不同临床病理特征的独特AD亚型.
• 深度学习方法可以有效地区分AD亚型.
• 这种分类方法有可能预测个体患者的结果,并促进对阿尔茨海默病的复杂病理生理学的理解.