基于FDG-PET和联合T1-MRI和rs-fMRI对认知障碍进行分类:一项ADNI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
• 神经学 神经学

背景情况:

• 轻度认知障碍 (MCI) 是痴呆症的前体,需要先进的诊断工具.
• 由于MCI的异质性,需要新的方法来准确分类和预测.
• 氧葡萄糖正子发射断层扫描 (FDG-PET) 提供了强大的阿尔茨海默病 (AD) 生物标志物.

研究的目的:

• 使用FDG-PET.对MCI与认知正常 (CN) 成年人进行分类.
• 为了预测MCI个体将转化为AD痴呆症.
• 为了比较MRI与FDG-PET的诊断性能,用于MCI分类.

主要方法:

• 在805名参与者 (MCI/CN) 的FDG-PET图像上训练了一个3D DenseNet深度学习模型.
• 来自348名参与者的MRI和功能性MRI数据被用于训练替代分类模型.
• 在四个ADNI队列中使用10倍交叉验证来评估性能.

主要成果:

• FDG-PET模型在MCI与CN的分类中实现了88.02%的准确性.
• 基于MRI的模型的准确性较低,最高达到76.86%.
• FDG-PET模型在预测MCI转换器与稳定的MCI中显示了63.23%的准确性.

结论:

• FDG-PET成像显示,MCI与CN的分类准确度更高.
• 虽然不如FDG-PET精确,但多对比MRI为神经退行症分类提供了宝贵的见解.
• 深度学习模型显示出在MCI和AD研究中分析神经成像数据的前景.