可解释的视觉变压器与自主监督学习来预测阿尔茨海默病的进展使用18F-FDG PET

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:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,影响全球数百万人.
• 早期预测AD进展对于干预和治疗规划至关重要.
• 目前用于AD检测和分期的方法需要进一步开发,特别是利用神经成像生物标志物.

研究的目的:

• 开发一种使用视觉转换器 (ViT) 的自我监督学习 (SSL) 方法,用于预测从轻度认知障碍 (MCI) 到阿尔茨海默病 (AD) 的进展.
• 从未标记的18F-FDG-PET图像中自动提取有意义的AD特征,减少对大型标记数据集的依赖.
• 通过识别影响MCI到AD过渡的关键大脑区域来提高预测模型的可解释性.

主要方法:

• 使用视觉转换器 (ViT) 架构的自我监督学习方法.
• 使用无标签的自我蒸 (DINO) 来预训练特征提取器和极端学习机器 (ELM) 作为分类器.
• 将模型应用于未标记的18F-FDG-PET图像,以预测MCI转换为AD.

主要成果:

• 实现了最先进的分类性能,准确度为92.31%,特异性为90.21%,灵敏度为95.50%.
• 成功确定了大脑区域,这些区域对预测MCI发展作出了重大贡献.
• 证明了模型能够从未标记的神经成像数据中学习强大的表示.

结论:

• 引入了一种新的可解释的SSL-ViT模型,用于使用18F-FDG-PET扫描准确预测AD进展.
• 集成的SSL,注意力和ELM机制,以提高预测准确性和可解释性.
• 该模型提供了一个精确而有效的策略,用于预测从MCI过渡到AD,为未来的神经退行性疾病研究和治疗开发铺平道路.