一个基于FDG-PET的机器学习框架,用于支持阿尔茨海默病和相关疾病的神经学决策

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 神经学 神经学

背景情况:

• 区分神经退行性疾病是复杂的,需要专门的专业知识.
• 临床决策支持系统 (CDSS) 可以帮助诊断,但面临着工作流集成的挑战.
• 建议使用氧葡萄糖PET (FDG-PET) 成像的新型建模框架来克服这些挑战.

研究的目的:

• 开发和评估基于机器学习的CDSS,用于使用FDG-PET成像诊断神经退行性疾病.
• 评估拟议框架的性能和可解释性.
• 证明开发的工具的临床整合潜力.

主要方法:

• 一项使用FDG-PET图像的回顾性研究,来自研究和临床患者的3,671名个人.
• 开发了StateViewer框架,使用邻居匹配算法来识别9种神经退行性表型.
• 通过嵌套交叉验证,阿尔茨海默病神经成像计划的外部验证和放射性读者研究进行评估.

主要成果:

• 在检测9种神经退行性表型时,StateViewer框架实现了0.89 ± 0.03的灵敏度和0.93 ± 0.02的AUC.
• 在一项读者研究中,使用StateViewer框架的临床医生显示,与标准方法相比,正确诊断的可能性是3.3倍.
• 该框架显示了高分类性能和可解释性.

结论:

• 拟议的FDG-PET成像基础框架有效帮助诊断神经退行性疾病.
• StateViewer解决了将基于ML的CDSS集成到临床工作流程中的关键挑战.
• 由于队列限制,需要在不同的患者群体中进一步验证.