通过人工智能细分和机器学习使用多个放射性特征来增强用于阿尔茨海默氏症诊断的状血管区域分析
Je Moon Yoon1, Chae Yeon Lim2, Hoon Noh3
1Department of Ophthalmology, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul, 06351, Republic of Korea.
Scientific reports
|January 22, 2024
概括
这项研究引入了一种人工智能驱动的方法,使用多个视网膜特征来诊断阿尔茨海默病 (AD),显著提高了诊断准确度,而不是单一特征方法.
科学领域:
- 眼科医生 眼科 眼科
- 神经学 神经学
- 人工智能的人工智能
背景情况:
- 阿尔茨海默病 (AD) 诊断依赖于侵入性方法.
- 状血管区域 (FAZ) 是阿尔茨海默病的潜在视网膜生物标志物.
- 目前用于AD诊断的FAZ分析通常使用有限的特征.
研究的目的:
- 开发和验证混合人工智能和机器学习技术,以改善阿尔茨海默病的诊断.
- 从FAZ中利用多种放射性生物标志物来提高诊断性能.
主要方法:
- 利用了阿尔茨海默病患者和健康对照者的光学连贯性断层扫描血管图 (OCTA) 扫描.
- 采用基于人工智能的细分用于FAZ提取和多个生物标志物量化 (面积,固度,紧度,圆度,异常度).
- 综合放射性生物标志物和临床数据使用光梯度增强机进行分类.
主要成果:
- 与单一特征分析相比,混合技术在诊断性能上取得了显著的改善 (曲线下的面积[AUC] [公式:参见文本]%).
- 在一个坚定的测试组中,该方法在单个特征上显示了14%的改善,达到72.0±4.8%的AUC.
结论:
- 拟议的混合技术有效地提高了使用多个FAZ放射性生物标志物的阿尔茨海默病诊断.
- 这种人工智能驱动的方法为早期AD检测提供了一种有前途的非侵入性方法.
