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

作者：严彩英; 冷一林; 刘晨鹭; 张帆; 郑健; 陈双庆^*

来源：临床放射学杂志, 2022, 41(09): 1615-1620.

DOI：10.13437/j.cnki.jcr.2022.09.041

• 18F-FDG PET" name="keyword">18F-FDG PET
• AD不同阶段
• 深度学习

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Eε4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。

• 单位
  通信与信息工程学院; 南京医科大学; 上海大学; 中国科学院苏州生物医学工程技术研究所