一个强大的残余三维卷积神经网络模型,用于通过使用FDG-PET预测粉样β阳性
Ilya Ardakani1, Takahiro Yamada2,3, Sayaka Iwano1
1Department of Research and Development, Splink, Inc., Akasaka, Minato, Tokyo, Japan.
Clinical nuclear medicine
|June 17, 2025
概括
这项研究表明,使用2-deoxy-2-18F-FDG PET扫描的深度学习模型可以准确预测阿尔茨海默病 (AD) 中的粉样β阳性. 这为阿兹海默症诊断提供了一个更容易获得的替代品,而不是粉样蛋白PET.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 阿尔茨海默氏症疾病研究研究
背景情况:
- 对于阿尔茨海默病 (AD) 诊断,2-脱氧-2-18F-FDG PET比粉胺PET更容易获得和负担得起.
- 粉样蛋白PET是确定AD诊断中粉样蛋白阳性的关键工具.
- 这项研究探讨了使用3D卷积神经网络 (3DCNN) 的深度学习来预测FDG-PET扫描中的粉样β阳性.
研究的目的:
- 开发一个强大的深度学习模型来使用FDG-PET预测粉样β阳性.
- 为了利用剩余的3DCNN来分析FDG-PET图像中的复杂空间模式.
- 评估模型在多站点数据集中的性能和稳定性.
主要方法:
- 一组187名患者 (从认知正常到痴呆) 接受了T1加权的MRI,18F-FDG和11C-匹兹堡化合物B (PiB) PET扫描.
- 使用开发数据集的重复随机分割来配置和训练剩余的3DCNN模型.
- 模型的性能和稳定性在99名不同种族和协调水平的患者的单独多站点数据集上进行了评估.
主要成果:
- 该模型的AUC平均得分为0.815 (没有协调) 和0.840 (有协调).
- 在认知正常 (CN) 组 (0.801-0.834) 与痴呆症组 (0.745-0.777) 相比,观察到更高的AUC得分.
- 平均F1得分为0.770 (没有协调) 和0.810 (与协调),痴呆症组的得分比CN组 (0.580-0.658) 高 (0.907-0.931).
结论:
- 剩余3DCNN有效地从FDG-PET图像中学习3D空间模式.
- 该模型强有力的预测了粉样β阳性.
- 该方法显示,对准确预测的现场协调预处理的依赖减少了.
