预测从轻度认知障碍转化为阿尔茨海默病的预测,使用视觉变压器和海马体MRI片
René Seiger1, Peter Fierlinger1,
1Physics Department, TUM School of Natural Sciences, Technical University of Munich, 85748 Garching, Germany.
Bioengineering (Basel, Switzerland)
|February 27, 2026
概括
视觉转换器 (ViT) 在识别轻度认知障碍 (MCI) 的个人中表现有希望,这些人将进展到阿尔茨海默氏症 (AD). 这种人工智能方法在使用MRI扫描来区分转换器和非转换器方面达到74%的准确性.
科学领域:
- 人工智能的人工智能
- 神经成像是一种神经成像.
- 阿尔茨海默氏症疾病研究研究
背景情况:
- 卷积神经网络 (CNN) 主导计算机视觉,包括阿尔茨海默病 (AD) 应用.
- 视觉转换器 (ViTs) 在医学图像分析中为CNN提供了一个新的替代方案.
- 轻度认知障碍 (MCI) 是AD的前体,但并非所有MCI患者都会转化.
研究的目的:
- 评估视觉转换器 (ViT) 在将转换为AD的MCI个体与没有转换到AD的个体分类中的有效性.
- 探索ViTs作为早期AD检测的可靠工具的潜力.
主要方法:
- 采用转移学习方法,在ADNI数据集上微调预训练的ViT模型.
- 从575个个体 (299个稳定的MCI,276个渐进的MCI) 的海马区域的轴向T1权重的MRI切片被利用.
- 该模型被训练来区分MCI转换器和非转换器.
主要成果:
- 维特模型实现了0.74 ± 0.02的接收器运行特征曲线 (AUC-ROC) 下的平均面积.
- 分类准确度为0.69 ± 0.03,特异性为0.72 ± 0.06和灵敏度为0.65 ± 0.07.
- 渐进性MCI类的F1得分为0.67 ± 0.04.
结论:
- ViT方法在将MCI转换器与非转换器分类时表现出合理的准确性.
- 这些发现表明,ViTs是预测MCIAD进展的可行工具.
- 需要进一步的研究来验证ViTs对AD诊断的概括性和临床实用性.


