预测阿尔茨海默病和量化海马体的不对称退化使用磁共振成像数据的深度学习

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 阿尔茨海默病 (AD) 诊断依赖于检测神经退行,特别是在海马体.
• 在海马变性中量化横向不对称可能为AD提供早期预测见解.
• 目前对AD转换的预测模型在利用详细的海马结构信息方面存在局限性.

研究的目的:

• 开发和验证一个深度学习 (DL) 模型来量化横向海马的不对称性.
• 使用磁共振成像 (MRI) 数据预测阿尔茨海默病 (AD) 转化.
• 确定整合双边海马体MRI数据以提高AD预测的最佳策略.

主要方法:

• 一个使用基于自编码器的调节器的深度学习模型被训练在单方面海马体MRI数据上.
• 该模型量化了海马数据对AD转换的预测功率的横向不对称性.
• 采用1307名受试者 (817名培训,490名验证) 的数据,使用了一个时间到事件预测框架.

主要成果:

• 与右海马相比,左海马对AD转换的预测能力优于右海马.
• 使用基于实例的DL方法整合双边海马体MRI数据显著改善了AD预测.
• 提出的DL方法在预测AD转换方面表现优于替代预测建模策略.

结论:

• hippocampal 退化中的侧向不对称性是早期阿尔茨海默病 (AD) 预测的可量化的标志物.
• 左海马在预测AD转换方面比右海马发挥更为关键的作用.
• 通过DL框架整合双边海马体MRI数据,提高了阿尔茨海默病预测的准确性.