关注并星标我们 前沿资讯不错过
01
文献导读
1
要点
本研究利用深度学习技术，基于结构性磁共振成像（MRI）数据，开发了一种新的阿尔茨海默病（AD）生物标志物。研究发现，该深度学习MRI方法在区分AD患者和健康对照组方面表现优异，准确度高达97.3%。此外，该方法在识别前驱期AD和预测AD进展方面也优于传统的生物标志物。
2
主要研究方法
研究者首先实施了一个基于MRI的深度学习模型，通过数据增强策略进行训练，以区分AD患者和健康人群，并生成类激活图谱。随后，将该模型应用于前驱期AD患者，并与其他生物标志物进行比较，包括淀粉样蛋白（Aβ）、tau蛋白和神经退行性变的影像学标志物。
3
研究意义
该研究的意义在于提供了一种新的、无创的AD诊断和监测工具。深度学习MRI方法的高准确性和优越的预测能力，使其在临床实践中具有广泛的应用潜力，有助于早期诊断和治疗AD，减少患者负担。
4
创新点
本研究的创新之处在于将深度学习技术应用于MRI影像，开发出一种新的AD生物标志物。与传统的基于Aβ和tau的生物标志物相比，该方法能够更早地识别AD的早期变化，且不依赖于侵入性的脑脊液检测或放射性示踪剂。这种方法为AD的早期诊断和个体化治疗提供了新的可能性。
02
文献精读
阿尔茨海默病（AD）是一种常见的神经退行性疾病，其早期诊断对于疾病的管理和治疗至关重要。传统的诊断方法依赖于脑脊液生物标志物或正电子发射断层扫描（PET），这些方法要么具有侵入性，要么成本高昂。
随着深度学习技术的发展，研究者开始探索利用结构性磁共振成像（MRI）数据进行AD诊断的新方法。本研究旨在开发并验证一种基于深度学习的MRI方法，以期提高AD诊断的准确性和可行性。
研究者首先构建了一个基于MRI的深度学习模型，使用了数据增强策略来提高模型的泛化能力。通过训练，模型能够对AD患者和健康对照组进行分类，并生成类激活图谱（class activation maps），这些图谱可以揭示模型在进行分类时所依赖的大脑区域。研究者还对模型进行了交叉验证，以确保其预测结果的可靠性。
在模型训练完成后，研究者将其应用于前驱期AD（prodromal AD）患者，即那些表现出轻度认知障碍（MCI）但尚未发展为AD的患者。通过比较深度学习MRI方法与其他生物标志物（包括脑脊液中的Aβ和tau蛋白，以及基于MRI和PET的神经退行性变标志物）的表现，研究者评估了该方法的诊断准确性。
在阿尔茨海默病(AD)的痴呆阶段进行分类。"接收者操作特征"曲线表明，将深度学习MRI评分应用于AD痴呆扫描与健康对照扫描的测试集中，以高准确性(AUCROC=0.973)对AD痴呆进行了分类(图a)。类激活图谱，反映区域对深度学习MRI评分的贡献，定位于左侧前内侧颞叶，邻近内嗅皮层和海马体，这是阿尔茨海默病病理生理过程开始的地方。
研究结果显示，深度学习MRI方法在区分AD患者和健康对照组方面表现出色，其接收者操作特征曲线下面积(AUROC)高达0.973。类激活图谱分析表明，模型的决策主要依赖于海马体和前内嗅皮层的信号强度变化。在前驱期AD患者中，该方法的AUROC为0.788，优于基于脑脊液的Aβ(AUROC=0.702)和tau(AUROC=0.682)生物标志物，以及基于MRI的海马体体积(AUROC=0.733)和内嗅皮层厚度(AUROC=0.685)测量方法。
此外，深度学习MRI方法在预测MCI患者进展为AD痴呆的时间方面也表现出色。生存分析显示，该方法的预测能力优于CSF生物标志物和基于MRI的神经退行性变标志物。这一发现支持了深度学习MRI方法在AD诊断和预测中的潜在应用价值。
在对阿尔茨海默病的前驱期阶段进行分类时，通过比较“MCI稳定”组与“MCI进展”组，ROC曲线显示，深度学习MRI（DLMRI）评分在分类前驱期阿尔茨海默病（以红色标示）方面更为优越。深度学习MRI评分优于（左图）脑脊液（CSF）中Aβ、tau或tau/Aβ的测量；海马（HC）或内嗅皮层（EC）体积或厚度的MRI测量；使用修改版精神状态检查（MMSE）或Rey听觉词语学习任务（RAVLT）的保留分数的临床测量（左图）。在较小的子集中，深度学习MRI评分（右图）优于使用AV45放射性配体的淀粉样蛋白PET测量或使用氟脱氧葡萄糖（FDG）的代谢PET测量。每种测量方法的特定曲线下面积（AUROC）值，以及每次比较的统计概率值，均在表格中显示。
本研究的结果表明，深度学习技术可以从常规MRI数据中提取出有价值的生物标志物信息，这对于AD的早期诊断和治疗具有重要意义。与传统的基于Aβ和tau的生物标志物相比，深度学习MRI方法能够更早地识别出AD的早期变化，且不依赖于侵入性的检测方法。
研究者还探讨了深度学习MRI方法与AD病理生理学之间的关系。研究发现，该方法与tau病理学在内嗅皮层的分布具有更强的相关性，这与AD病理学研究的现有认识相一致。此外，深度学习MRI方法在预测AD进展方面的表现优于传统的神经退行性变标志物，这可能与神经退行性变在AD病理过程中的后期发生有关。
深度学习MRI评分与tau病理学相关。散点图展示了深度学习MRI评分随时间变化与脑脊液(CSF) Aβ变化（左图）、CSF tau变化（中间图）以及CSF tau/Aβ比值变化（右图）之间的关系。每个数据点代表一名参与者从基线到最后深度学习MRI评分的变化（ΔDLMRI-last），并与所有随访访问中估计的生物标志物测量的拟合变化相对应（见“方法”部分）。黑色实线是对参与者的线性拟合，显示深度学习MRI评分的变化与随时间tau的变化相关性最强。表格列出了临终前深度学习MRI评分与临终后得出的Braak神经纤维缠结阶段和Thal淀粉样斑块阶段之间的相关性，MRI至尸检的时间间隔在1年或2年以下，表明深度学习MRI评分与tau病理学的相关性最强。
本研究提供了深度学习MRI方法在AD诊断中的有效性的初步证据。该方法不仅具有高准确性，而且易于实施，具有广泛的临床应用潜力。未来的研究可以进一步优化该方法，并探索其在不同阶段AD患者中的应用。此外，深度学习技术的应用还可能为其他神经退行性疾病的诊断提供新的视角。
尽管本研究取得了显著的成果，但也存在一些限制。例如，深度学习模型的训练需要大量的数据，而在实际临床中获取这些数据可能具有一定的挑战性。此外，模型的泛化能力需要在更广泛的患者群体中进行验证。未来的研究应考虑这些因素，并探索如何克服这些挑战，以实现深度学习MRI方法在AD诊断中的广泛应用。
声明：本公众号所刊载内容之知识产权为相关权利人专属所有或持有，本公众号经翻译与编辑的内容仅作为学术交流之用途。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。
关于我们
超脑深科介绍
超脑深科是国内领先的脑医学技术创新团队，致力于打造最前沿的产学研一体化创新深脑科技平台。其中影像处理分析团队均来自于国内一线高校，具有高度交叉背景，涵盖生物医学工程、电子信息、临床医学等专业，均受过系统化的科研培训，具有扎实的科研背景。
如果今天的分享对您有所帮助，
欢迎您点击下方关注我们以获取最新资讯
▼ 公众号后台联系我们可获取PDF原文
更有神经磁共振影像交流群期待您的加入
