基于结构性MRI的阿尔茨海默病计算机辅助诊断模型:对错误分类和诊断局限性的洞察

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) 诊断依赖于临床评估和神经影像.
• 计算机辅助诊断 (CAD) 模型有潜力提高使用结构性MRI的诊断准确性.
• 了解CAD模型的局限性和错误分类模式对于推进AD诊断至关重要.

研究的目的:

• 用结构性MRI识别阿尔茨海默病 (AD) 的CAD模型中的常见模式.
• 在AD检测中描述与CAD错误分类相关的临床和成像特征.
• 在AD分类中评估3D嵌套层次变压器 (3DNesT) 模型的性能.

主要方法:

• 从多站点和多疾病数据集 (2005-2019) 中回顾分析了3258个基线结构MRI (2005-2019).
• 应用3D嵌套层次变压器 (3DNesT) 模型和其他CAD技术用于AD分类.
• 10倍交叉验证和交叉数据集验证,然后对错误分类的个体进行分组分析,使用独立的t测试与邦费罗尼校正.

主要成果:

• 3DNesT模型实现了90.1%的交叉验证精度和对外部数据集 (82.2%-91.6%) 的高精度.
• 与真正阳性 (TP) 亚组相比,虚假阴性 (FN) 亚组 (n=223) 显示出最小的缩和更好的认知表现 (MMSE).
• 尽管有认知差异,但FN和TP小组表现出类似的粉样β和Tau负担,表明FN的非典型模式.

结论:

• 针对AD的CAD模型中的假阴性病例表现出非典型的结构MRI模式和独特的临床措施.
• 这些非典型的模式从根本上限制了CAD模型的诊断性能,仅依靠结构性MRI.
• 进一步的研究应该纳入多式联运数据,以提高AI驱动的AD诊断的准确性.