基于纵向结构MRI的深度学习和放射学特征用于预测阿尔茨海默氏病的进展
Sepehr Aghajanian1,2, Fateme Mohammadifard3, Ida Mohammadi4
1Department of Neurosurgery, Alborz University of Medical Sciences, Karaj, Iran. Sepehraghajanian2@gmail.com.
Alzheimer's research & therapy
|August 7, 2025
概括
早期发现阿尔茨海默氏病 (AD) 是至关重要的. 使用纵向MRI扫描的深度学习模型可以准确地预测轻度认知障碍 (MCI) 到AD转化,从而实现及时干预.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 老年学是一门学科.
背景情况:
- 阿尔茨海默病 (AD) 是导致痴呆的主要原因.
- 轻度认知障碍 (MCI) 的早期诊断对于管理进展和治疗至关重要.
- 结构性MRI和深度学习 (DL) 对检测神经退行有希望.
研究的目的:
- 用纵向MRI数据评估DL模型在预测MCI转换为AD方面的有效性.
- 为了确定基于MRI的关键生物标志物用于早期AD检测.
主要方法:
- 利用ADNI数据库中的228名MCI参与者的T1加权MRI扫描.
- 采用3D残余网络 (ResNet3D) 进行单个时间点分析和长短期记忆 (LSTM) 模型,专注于纵向分析.
- 从灰色物质细分中提取了放射性特征.
主要成果:
- 一个单个时间点DL模型实现了c指数为0.70.
- 纵向分析显著提高了2-5年预测窗口的预测准确度 (c指数:0.80-0.90),AUC高 (>0.85).
- 灰色物质表面与体积的比率和延长被确定为关键的预测放射学特征.
结论:
- 先进的DL架构与结构性MRI相结合,对于预测MCI转换为AD有价值.
- 这种方法促进了早期风险分层和个性化干预措施,对于高风险的个人阿尔茨海默病进展.
- 未来的研究需要更大,多样化的队伍来验证发现并探索进一步的改进.
