使用可解释的深度学习放射学模型来诊断和预测早期AD疾病谱的进展:一个初步的FDG PET研究

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 无线电学 (Radiomics) 是一种放射学.

背景情况:

• 深度学习 (DL) 模型为诊断阿尔茨海默病 (AD) 提供了潜力,但往往缺乏可解释性.
• 现有的放射性和DL模型在准确诊断AD频谱和预测疾病进展方面存在局限性.

研究的目的:

• 开发和评估一个可解释的深度学习放射学 (IDLR) 模型,使用[18F]FDG PET图像.
• 诊断AD的临床谱和预测从轻度认知障碍 (MCI) 到AD的进展.

主要方法:

• 一项多中心研究包括1962名来自高加索 (ADNI) 和亚洲群体的受试者.
• IDLR模型涉及特征提取,选择和分类/预测,并与放射性和DL模型进行比较.
• 考克斯模型和相关性分析评估了IDLR特征的预测能力和临床诊断价值.

主要成果:

• IDLR模型在分类认知状态和MCI轨迹方面达到76.51%的准确性,优于放射性 (69.13%) 和DL (73.89%) 模型.
• IDLR模型的特征是MCI向AD进展的显著预测因素 (HR=1.465,p<0.001).
• 三个关键的IDLR特征与认知得分有显著的相关性,并且在认知阶段有所不同.

结论:

• 根据IDLR模型,使用[18F]FDG PET图像来诊断AD临床谱的准确度提高.
• 与传统的DL模型相比,放射学监督的DL特征提高了解释性和分类准确性.
• IDLR模型对于在AD诊断和进展预测中推进DL应用具有临床意义.