PETFormer-SCL:FDG-PET的帕金森症分类的监督对比学习引导CNN转换器混合网络
Shaoyou Wu1, Chenyang Li1, Jiaying Lu2
1Institute of Biomedical Engineering, School of Life Sciences, Shanghai University, Shanghai, 200444, China.
Annals of nuclear medicine
|July 14, 2025
概括
一个新的AI工具,PETFormer-SCL,使用FDG-PET扫描精确区分帕金森病 (PD),多系统缩 (MSA) 和渐进性超核性 (PSP). 这种深度学习框架有助于对这些具有挑战性的神经疾病进行早期诊断和治疗计划.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 准确区分帕金森症亚型 (PD,MSA,PSP) 是至关重要的,但由于重叠的症状和可变的FDG-PET发现,具有挑战性.
- 现有的方法与大脑葡萄糖代谢模式的个体间变异性作斗争.
研究的目的:
- 开发和验证PETFormer-SCL,这是一种用于准确区分帕金森症亚型的深度学习框架.
- 改善疾病特征学习并减轻FDG-PET分析中的个体变异性.
主要方法:
- PETFormer-SCL将CNN与通道智能变压器模块和监督对比学习 (SCL) 集成在一起.
- 该框架对945名患者进行了培训,并对330名患者 (共1275名) 进行了验证.
主要成果:
- PETFormer-SCL获得了高AUC:MSA的AUC为0.9830;PD的AUC为0.9702;PSP的AUC为0.9565.
- 类激活地图确定了与病理生理学相一致的关键大脑区域 (小脑,中脑,基底腺节).
结论:
- PETFormer-SCL具有很高的诊断准确性,特别是在重叠的表型中.
- 该工具提高了可解释性,并显示了作为早期帕金森症诊断临床决策支持系统的潜力.


