基于PET图像的深度学习模型预测阿尔茨海默病不同阶段的研究

摘要：

目的 探讨基于18F-FDG PET图像构建的深度学习模型对不同阶段阿尔茨海默病(AD)的诊断价值.方法 根据病程进展分为正常认知(CN)组、主观认知下降(SCD)组、轻度认知障碍(MCI)组和AD组.回顾性搜集ADNI数据库中519例(SCD组94例,AD组125例,MCI及CN组各150例)符合纳入标准病例的18F-FDG PET图像,在此基础上加入临床资料(年龄、性别、受教育程度、MMSE评分、Aβ1-42值及载脂蛋白Ee4表型).基于两种数据集建立AD分类深度学习双线性池化模型,经五折交叉验证后,采用分类准确性、AUC值等评价两种模型分类性能.结果 基于18F-FDG PET图像单模态分类模型,在区分SCD-AD组分类性能最佳,准确性达91.97％,在CN-SCD组分类效果相对较低,准确性为74.86％;融合临床资料后,仅CN-SCD组分类准确性下降了 1.53％,其余各组的分类性能均得到提高,其中准确性升幅依次降序排列为CN-MCI组(升至90.33％,升幅6.83％)、SCD-AD组(升至 94.34％,升幅 2.37％)、SCD-MCI 组(升至 82.78％,升幅 2.30％)、MCI-AD 组(升至 80.45％,升幅 2.26％)、CN-AD组(升至92.13％,升幅1.88％).结论 联合18F-FDG PET图像及临床资料构建的深度学习融合模型可为AD临床早期诊断及干预提供帮助.

关键词：18F-FDG PET、AD不同阶段、深度学习

所属期刊栏目：41

分类号：R749.16;TP391.41;R445.2

资助基金：苏州市卫生计生委科技项目;江苏省卫健委重点项目

在线出版日期：2023-01-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1615-1620