机器学习模型用于预测Amyloid-β阳性和认知状态,使用早期阶段的F-Florbetaben PET和临床特征

科学领域:

• 神经学 神经学
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 阿尔茨海默病 (AD) 的诊断依赖于识别粉样β (Aβ) 斑块.
• 双相18F-Florbetaben (18F-FBB) PET成像为早期检测提供了潜力.
• 整合成像和临床数据可以提高诊断准确度.

研究的目的:

• 开发机器学习 (ML) 模型,使用早期阶段的18F-FBB PET和临床数据来预测Aβ阳性.
• 探索ML模型,从早期阶段PET预测认知状态.
• 评估多式联络数据在AD的诊断和预后效用.

主要方法:

• 176名受试者接受了双相18F-FBBPET扫描.
• 分析了早期阶段 (0-10分钟) 和延迟阶段 (90-110分钟) 的扫描.
• ML模型 (随机森林,梯度提升,XGBoost,决策树) 被训练并使用准确度,ROC AUC,回忆和F1分数进行评估.

主要成果:

• 结合早期PET和临床数据,在预测Aβ阳性 (渐变增强) 方面实现了88.89%的准确性.
• 关键预测因素包括APOE基因型和海马体SUVR.
• 仅早期的PET就在预测认知状态方面表现强 (83.33%的准确性与决策树).

结论:

• 集成多式联络数据的ML模型显著提高了Aβ阳性预测的准确性.
• 早期的18F-FBB PET对于预测认知状态非常有价值.
• 双相PET协议与ML相结合,为AD评估提供了一个强大的工具.