脑年龄差距估计使用基于注意力的ResNet方法来检测阿尔茨海默氏症.

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 像阿尔茨海默氏症这样的神经退行性疾病对公共卫生构成重大挑战.
• 准确的生物标志物对于早期诊断和有效的疾病管理至关重要.
• 通过MRI估计大脑年龄,为识别神经衰退提供了一个潜在的途径.

研究的目的:

• 开发和验证一种新的深度学习模型,以准确估计大脑年龄.
• 计算大脑年龄差距 (BAG) 作为阿尔茨海默病 (AD) 的潜在生物标志物.
• 评估模型的概括性和性能,以区分认知正常和AD个体.

主要方法:

• 一种基于注意力的新型ResNet方法,3D-Attention-Resent-SVR被开发用于大脑年龄的估计.
• 该模型在来自四个公共来源的3844个人的综合数据集上进行了训练和测试.
• 大脑年龄差距 (BAG) 的计算是为了区分认知正常 (CN) 和阿尔茨海默病 (AD) 群体.

主要成果:

• 该模型在组合数据集上的大脑年龄差距估计中达到2.05的平均绝对误差 (MAE).
• 在三个数据集上训练和在一个单独的数据集上测试时,MAE为2.4的优秀概括性被证明.
• 使用BAG作为唯一的生物标志物,该模型在ADNI数据集上实现了92%的准确性和0.87的AD检测AUC.

结论:

• 拟议的3D-注意力-光-SVR模型准确地估计了大脑年龄和大脑年龄差距.
• 大脑年龄差距 (BAG) 作为早期发现阿尔茨海默病的有力生物标志物.
• 这种方法对神经退行性疾病的早期诊断和监测具有重大潜力.