阿尔茨海默病(AD)是全球痴呆症的主要病因,随着人口年龄的增长,其发病负担可能会超过诊断和管理能力。目前的方法整合了患者的病史、神经心理测试和磁共振成像(MRI)来识别可能的病例。虽然诊断的做法多种多样,但缺乏敏感性和特异性。 近日,发表在Brain杂志上的这篇文章报告了一种可供解释的深度学习策略,通过多模态地输入MRI、年龄、性别、和微精神状态检查分数,来描述AD的特征。该框架将一个完整的卷积网络连接起来,将疾病概率的高分辨率地图从局部大脑结构构建到一个多层感知器,并生成精确的、直观的可视化个体AD风险评估结果,进而进行准确诊断(图 1)。 图1 深度学习框架示意图 图2 模型结果与神经病理学的相关性 模型训练选用临床诊断AD和认知正常受试者,该数据来自AD神经影像倡议(ADNI)数据集(n= 417)和三个独立队列用于验证,使用多模态输入的模型在数据集上的表现结果是一致的。ADNI研究、AIBL、Framingham心脏研究和NACC数据集的曲线下均值分别为0.996、0.974、0.876和0.954(图 3)。此外,该方法超过了一个由执业神经学家组成的多机构团队(n = 11)的诊断表现,并且该模型预测的高危大脑区域在患者死后的组织病理学被发现部位一致。 图3 MLP模型在AD分类中的表现及与神经病学家的模型比较 该框架提供了一种临床可适用的策略,即:使用常规可用的成像技术,如MRI,为AD的诊断产生微妙的神经成像特征。同时,这也是一种可推广的方法,将深度学习与人类疾病的病理生理过程联系起来。 |
|
来自: 昵称32772025 > 《脑神经科学》