结合FDG-PET和神经认知数据的深度学习准确地预测了MCI转化为阿尔茨海默氏症痴呆症的3年后的MCI诊断

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 轻度认知障碍 (MCI) 是阿尔茨海默氏症痴呆症 (AD) 的前体.
• 准确预测MCI转化为AD对于及时干预至关重要.
• 现有的方法往往缺乏早期诊断所需的预测能力.

研究的目的:

• 开发和验证一种新的深度学习模型,用于在三年内预测MCI转换为AD.
• 整合氧葡萄糖正子发射断层扫描 (FDG-PET) 和认知分数 (CS) 进行增强的预测.
• 为了确定大脑区域对于预测AD转化至关重要.

主要方法:

• 利用来自阿尔茨海默病神经成像计划 (ADNI) 的150名正常对照,257名MCI和205名AD受试者的数据集.
• 使用卷积神经网络 (CNN) 来分析全脑FDG-PET扫描和在MCI诊断时获得的CS.
• 开发了一个结合FDG-PET,年龄和神经认知数据的组合模型.

主要成果:

• 综合深度学习模型实现了曲线下的面积 (AUC) 为0.785 ± 0.096和平衡精度为0.733 ± 0.098.
• 单独的神经认知得分比组合模型的预测能力低.
• Saliency 地图确定了特定的大脑区域,包括膜,丘脑和各种皮层区域,作为重要的预测因素.

结论:

• 深度学习模型可以准确地预测MCI到AD转换.
• 这项研究提供了对AD转化神经相关的见解,突出了特定的大脑区域.
• 整合多模式数据 (FDG-PET,CS,年龄) 可以提高AD进展的预测准确性.