基于全脑影像组学的阿尔茨海默病诊断研究

作者：吴小佳; 汤琳^*; 刘欢; 李传明; 郭大静; 宋娆

来源：重庆医科大学学报, 2022, 47(10): 1187-1192.

DOI：10.13406/j.cnki.cyxb.003102

• 轻度认知障碍
• 阿尔茨海默病
• 磁共振成像
• 影像组学
• 分类

目的：探讨构建影像组学、临床和联合模型，对正常认知（cognitively normal,CN）组、轻度认知障碍（mild cognitive impairment,MCI）组和阿尔茨海默病（Alzheimer’s disease,AD）组的分类价值。方法：选取阿尔茨海默病神经影像学倡议（Alzheimer’s Disease Neuroimaging Initiative,ADNI）数据库中139例CN、162例MCI和128例AD患者基线的临床和影像资料。以7∶3的比例随机分为训练集和验证集。基于3D-T1WI磁共振成像（magnetic resonance imaging,MRI）提取影像组学特征。在训练集中，使用套索回归算法（least absolute shrinkage and selection operator,LASSO）筛选组学特征，并通过多因素逻辑回归建立基于全脑皮层及皮层下核团的影像组学模型。使用单因素逻辑回归和多因素逻辑回归获得与分类相关的临床指标，并通过多因素逻辑回归模型建立临床模型和基于影像组学特征和临床指标的联合模型。用受试者工作特征（receiver operating characteristics,ROC）曲线评价分类模型的效能。结果：影像组学模型在CN vs. AD、MCI vs. AD和CN vs. MCI的曲线下面积（area under the curve,AUC）分别为0.975、0.957和0.929，临床模型的AUC分别为0.839、0.675和0.685。将临床和影像组学特征相结合的联合模型的AUC分别为0.983、0.959和0.950。结论：基于全脑皮质和皮质下核团的影像组学模型和联合模型可以准确地对CN、MCI和AD进行分类，联合模型是最佳分类模型。

• 单位
  重庆医科大学附属第二医院