利用深度学习来预测阿尔茨海默病和轻度认知障碍,使用光学连贯断层扫描

科学领域:

• 眼科医生 眼科 眼科
• 神经学 神经学
• 人工智能的人工智能

背景情况:

• 目前对阿尔茨海默病 (AD) 和轻度认知障碍 (MCI) 的光学连贯断层扫描 (OCT) 的诊断性能有限.
• 开发先进的算法对于改善神经退行性疾病的早期检测至关重要.

研究的目的:

• 开发和评估使用OCT成像检测AD和MCI的深度学习算法.
• 评估算法在不同种族群体中的表现.

主要方法:

• 使用OCT特征开发了一套三边深度学习模型.
• 该研究涉及亚洲和白人参与者的横截面数据,用于模型开发和验证.
• 性能与单一的OCT参数和传统的统计模型进行了比较.

主要成果:

• 深度学习模型在亚洲和白人人口中显著优于单个非深度学习的OCT模型 (AUC从0.84到0.91).
• 亚洲参与者的表现是单个模型的AUC=0.91对比0.71-0.72 (p=0.022-0.032).
• 白人参与者的表现是单个模型的AUC=0.84与0.58-0.75对比 (p=0.056-<0.001).
• 深度学习模型的表现与三边统计模型在两个队列中的表现相当.

结论:

• 结合OCT成像与深度学习或统计模型的多模式方法显示出检测AD和MCI的巨大潜力.
• 模型的选择可能取决于特定的临床需求,可解释性要求和可用的计算资源.
• 基于OCT的深度学习为非侵入性AD和MCI诊断提供了一个有前途的途径.