[18F]FDG PET与结构MRI集成,用于准确预测大脑年龄
概括
这项研究引入了一种结合[18F]FDG PET和结构MRI的新型深度学习方法,以准确预测大脑年龄. 多模式方法显著提高了预测准确性,并揭示了大脑年龄差距与阿尔茨海默病和轻度认知障碍中的认知衰退之间的相关性.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 老年学是一门学科.
背景情况:
- 大脑衰老是一个复杂的过程,具有结构和功能衰退.
- 预测大脑年龄对于了解衰老和神经退行性疾病至关重要.
研究的目的:
- 开发一种新的深度学习 (DL) 方法,使用结构和代谢成像数据来预测大脑年龄.
- 为了评估一个双通道DL模型的性能,整合[18F]FDG PET和结构MRI (sMRI).
主要方法:
- 开发了一种双通道的3D简单全卷积网络 (双-SFCNeXt) 来估计大脑年龄.
- 该模型使用了正常对照 (NC),轻度认知障碍 (MCI) 和阿尔茨海默病 (AD) 患者的[18F]FDG PET和sMRI数据.
- 使用平均绝对误差 (MAE) 和皮尔森相关系数 (r) 评估模型准确性;大脑年龄差距 (BAG) 与认知得分相关.
主要成果:
- 通过整合PET和MRI数据,双SFCNeXt模型实现了高预测准确度 (MAE = 2.37,r = 0.97).
- 这种多式联运方式的性能优于单式联运DL模型.
- 与NC相比,在MCI和AD组中观察到明显更高的BAG,与认知能力下降相关 (MMSE,CDR-SB).
结论:
- 将[18F]FDG PET与sMRI集成,可以提高大脑年龄预测的准确性.
- 这种多模式的方法为大脑年龄预测研究提供了一个有希望的新途径.
- 这些发现突出了大脑年龄差距作为认知障碍生物标志物的潜力.
