基于MRI的可解释深度学习用于阿尔茨海默氏症风险和进展

科学领域:

• 神经成像和人工智能的人工智能
• 发现神经退行性疾病的生物标志物

背景情况:

• 早期发现阿尔茨海默病 (AD) 对于及时干预至关重要,尤其是在新兴免疫疗法方面.
• 需要可访问和高效的生物标志物用于早期阿尔茨海默病诊断.

研究的目的:

• 评估先前开发的基于MRI的AD检测深度学习模型的跨民族概括性和临床实用性.
• 评估模型预测未来AD进展和识别AD亚型的能力.

主要方法:

• 将使用北美数据开发的预训练深度学习模型应用于一个大型的中国队列 (SILCODE),其中包括722名参与者的1,105个脑MRI扫描.
• 利用可解释的深度学习脑风险地图方法来识别AD亚型.
• 与认知评估和血生物标志物 (陶蛋白,NfL) 相关联的模型衍生风险得分.

主要成果:

• 基于MRI的深度学习模型在不需要再培训的情况下显示出强大的跨民族概括性,达到91.3%的AUC和95.2%的AD分类灵敏度.
• 该模型准确地确定了86.7%的个体在5年内面临阿尔茨海默病进展的风险,高风险个体呈现更快的进展.
• 确定了不同的AD大脑亚型,包括与快速衰退相关的轻度认知障碍 (MCI) 亚型,风险得分与认知和血生物标志物显著相关.

结论:

• 基于MRI的深度学习模型在不同人群中表现出强大的概括性和临床实用性,用于早期AD检测和风险分层.
• 该模型通过识别有风险的个体和亚型,为早期治疗干预提供了宝贵的工具.
• 开源模型和免费的在线工具促进了阿尔茨海默病的广泛早期查和干预.