相关实验视频
Updated: Jun 24, 2025
Hybrid PET/MRI Imaging of Alzheimer's Disease Based on 18F-AV-1451
Published on: April 18, 2025
粉样蛋白PETNet:使用端到端深度学习对大脑PET成像中的粉样蛋白阳性的分类
Shuyang Fan1, Maria Rosana Ponisio1, Pan Xiao1
1From the Department of Bioengineering, Rice University, Houston, Tex (S. Fan); Department of Radiology (S. Fan, M.R.P., P.X., S.M.H., J.J.L., S. Flores, P.L., B.G., C.A.R., D.S.M., A.N., T.L.S.B., A.S.), Charles F. and Joanne Knight Alzheimer Disease Research Center (B.G., B.M.A., R.B., J.C.M., T.L.S.B.), Department of Neurology (C.A.R., B.M.A., R.J.B., J.C.M.), and Institute for Informatics, Data Science and Biostatistics (A.S.), Washington University School of Medicine, 660 S Euclid Ave, Campus Box 8132, St Louis, MO 63110; Duke-NUS Medical School, Singapore (S. Fan); Department of Electrical and Systems Engineering, Washington University in St Louis, St Louis, Mo (S.C., A.S.); Brain Health Imaging Centre, Campbell Family Mental Health Research Institute, Centre for Addiction and Mental Health, Toronto, Canada (A.N.); and Tracy Family SILQ Center for Neurodegenerative Biology, St Louis, Mo (R.J.B.).
一个新的深度学习模型,AmyloidPETNet,准确地将粉样蛋白PET扫描分类为正或负. 这种人工智能工具减少了对专家放射科医生和昂贵的MRI的依赖,提高了对阿尔茨海默病诊断的可访问性.
科学领域:
- 医疗成像中的人工智能
- 神经成像分析分析 神经成像分析
- 机器学习用于诊断.
背景情况:
- 粉样蛋白PET扫描的视觉评估需要放射科医生的专业知识.
- 粉样蛋白负担的量化通常需要计算上昂贵的MRI处理.
- 开发自动化方法可以提高粉样蛋白PET分析的可访问性和效率.
研究的目的:
- 开发和评估一个深度学习模型 (AmyloidPETNet) 用于对粉样蛋白PET扫描进行分类.
- 评估模型在独立数据集和各种追踪器上的性能.
- 为了比较模型的准确性与人类的视觉读取.
主要方法:
- 在1538个PET扫描 (766名患者) 上训练了AmyloidPETNet,并在205个扫描 (95名患者) 上得到了验证.
- 在独立数据集上测试模型,包括ADNI,OASIS和A4研究扫描与不同的标记器.
- 使用AUC,其他指标和Cohen κ进行模型性能比较,用于医生模型协议.
主要成果:
- 在多个数据集和追踪器中,amyloidPETNet实现了高AUC (≥0.95),显示出强烈的概括性.
- 该模型在ADNI18F-FBP扫描 (AUC=0.97) 上表现出色,并将其泛化为其他标志物 (AUC≥0.97).
- 医生模型协议从公平 (科恩 κ=0.39) 到几乎完美 (科恩 κ=0.93) 不同,表明强大的表现.
结论:
- 开发的深度学习模型准确地将粉样蛋白PET扫描分类为正或负.
- 艾米洛伊德PETNet提供了一个自动化解决方案,减少了对专家阅读器和结构性MRI的需求.
- 这种人工智能驱动的方法有可能提高粉样蛋白PET诊断的效率和可访问性.
