从使用深度学习的跨模态神经成像合成tau病理的图像

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 生物标志物开发 生物标志物开发

背景情况:

• 痴呆症患病率需要先进的生物标志物策略来进行医疗决策.
• 活体阳子发射断层扫描 (PET) 对于阿尔茨海默病 (AD) 诊断和治疗监测至关重要.
• 与其他神经成像技术相比,目前tau-PET的可访问性有限.

研究的目的:

• 开发和验证一个卷积神经网络 (CNN) 模型,用于从更容易获得的神经成像方式中归因tau-PET图像.
• 评估AI输入tau-PET在增强诊断分类和临床实用性的性能.
• 探索人工智能模型在不同成像类型之间学到的生物关系.

主要方法:

• 利用1192名参与者的数据集,进行T1加权MRI (T1w),氧糖 (FDG) -PET,粉胺-PET和-PET扫描.
• 训练了一名CNN模型,以使用T1w,FDG-PET和粉胺-PET作为输入来计算tau-PET图像.
• 评估了归算准确性和AI归算的tau-PET对分类tau阳性和诊断组的影响.

主要成果:

• CNN模型在赋值tau-PET图像方面取得了高精度,FDG-PET输入产生了最佳结果,其次是粉胺-PET和T1w.
• 与原始数据相比,基于FDG的AI输入的tau-PET模型显著改善了tau阳性和诊断组的分类.
• 解释性分析表明,基于FDG和T1w的模型学习了不同的生物关系,与基于粉样蛋白PET的模型不同.

结论:

• 人工智能驱动的tau-PET归算,特别是使用FDG-PET,可以增强代谢成像用于阿尔茨海默病诊断的实用性.
• 这种方法具有显著的潜力,可以提高-PET生物标志物的可访问性和应用.
• 将人工智能与神经成像集成为预测蛋白质特异性病理和告知未来护理模式提供了一个有希望的途径.