一个3D卷积神经网络来将受试者分类为阿尔茨海默病,前性痴呆症或使用大脑18F-FDG PET PET的健康对照

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 精确诊断神经退行性疾病对于使用新兴疾病修饰药物的有效治疗至关重要.
• 深度学习,特别是卷积神经网络,为医学图像分析提供了强大的功能.

研究的目的:

• 引入和验证一个3D神经网络,用于对阿尔茨海默病 (AD),前性痴呆症 (FTD) 和认知正常 (CN) 患者进行分类.
• 通过专家的临床解释来评估模型的性能.

主要方法:

• 在199个AD,192个FTD和200个CN受试者的追溯[18F]-FDG-PET扫描上训练了一个3DVGG16类的神经网络.
• 使用数据增强和交叉验证,与90%-10%的火车测试分割. 确定分类的区域使用封闭实验和梯度加权类激活映射.

主要成果:

• 三维神经网络在分类测试扫描中实现了89.8%的整体准确性.
• 在ROC曲线下的面积为AD的93.3%,FTD的95.3%,CN的99.9%.
• 医生共识准确率为69.5%,具有实质性的协议 (kappa = 0.61).

结论:

• 本研究提出了第一个能够从[18F]-FDG PET扫描中区分AD和FTD的深度学习模型,同时也能够准确地识别CN受试者.
• 该模型显示出有希望的准确性和对多中心数据的概括潜力,有助于精确的神经退行性疾病诊断.