使用纵向神经认知测试和MRI数据预测四年后阿尔茨海默病的发病,使用可解释的深度卷积神经网络

科学领域:

• 神经成像和计算神经科学
• 医学中的人工智能
• 神经退行性疾病研究

背景情况:

• 精确预测痴呆风险对于早期阿尔茨海默病 (AD) 管理至关重要.
• 现有的方法很难有效地整合纵向神经成像和认知数据,以改善预测.
• 需要先进的分析框架来提高未来痴呆症发病的预测.

研究的目的:

• 开发和评估一个可解释的深度学习框架,以便在四年内预测轻度认知障碍 (MCI) 到AD转化.
• 利用纵向全脑3DMRI和神经认知测试数据来提高预后准确度.
• 创建一个模型,提供对推动AD风险预测的区域的见解.

主要方法:

• 提出了一个两阶段的深度学习框架.
• 第一个阶段使用3D卷积神经网络 (CNN) 来提取基于MRI的隐藏特征在单个时间点.
• 第二阶段涉及多模式纵向特征连接和1D CNN,用于预测四年内痴呆发病风险.

主要成果:

• 该框架在预测MCI在四年内转换为AD时达到0.834的平衡准确度.
• 性能明显超过使用单个时间点或单个模式数据的模型.
• 使用热图的模型可解释性确定了关键的大脑区域,这些区域对于预测未来的AD风险至关重要.

结论:

• 开发的框架有效地利用多模式纵向数据,以实现阿尔茨海默病的最佳预后.
• 这种方法为早期检测和更好的AD的临床管理提供了一个有希望的工具.
• 改善对阿尔茨海默病发病的预测可以提高患者的生活质量.