自主监督的对比学习以预测阿尔茨海默病的进展,使用3D粉样蛋白-PET

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 早期诊断阿尔茨海默病 (AD) 对治疗和预防策略至关重要.
• 粉样蛋白-PET成像检测粉样蛋白斑块,显示了阿尔茨海默病检测的希望.
• 目前用于AD预测的深度学习模型通常受到监督学习偏差的限制.

研究的目的:

• 开发一种自我监督的对比学习方法,用于预测轻度认知障碍 (MCI) 患者的AD转化.
• 利用标记和未标记的3D粉样蛋白-PET数据来提高预测准确度.
• 在AD进展预测中克服完全监督学习模型的局限性.

主要方法:

• 提出了一种自我监督的对比学习方法,命名为SMoCo.
• 利用来自阿尔茨海默病神经成像计划 (ADNI) 数据集的3D粉样蛋白-PET成像数据.
• 在预培训期间纳入标签信息,以增强特定任务的表示学习.

主要成果:

• 与现有方法相比,SMoCo表现出优越的分类性能.
• 实现了接收器操作特征曲线 (AUROC) 下的面积为85.17%.
• 在预测MCI转换为AD时,报告的准确性为81.09%,灵敏度为77.39%,特异性为82.17%.

结论:

• 拟议的SMoCo方法有效地预测使用3D粉胺-PET的MCI转化为AD.
• 自主监督的对比学习为AD预测提供了一个有前途的方法,特别是在有限的标记数据下.
• 这项研究代表了使用SMoCo用于从神经成像数据预测AD进展的初步调查.