机构名称：
¥ 1.0
阿尔茨海默病 (AD) 是一种渐进性神经退行性疾病。它是老年人群发病和死亡的主要原因之一。AD 的主要症状包括记忆和执行功能障碍，这会极大地改变患者执行日常生活活动的能力。轻度认知障碍 (MCI) 患者表现出 AD 患者的许多早期临床症状，并且在其一生中很有可能转变为 AD。诊断标准依赖于临床评估和脑磁共振成像 (MRI)。许多团体正在努力帮助自动化此过程以改善临床工作流程。当前的计算方法侧重于预测 MCI 患者将来是否会转变为 AD。据我们所知，人们对开发能够为纵向跟踪的 MCI 患者队列提供 AD 转换诊断的自动化计算机辅助诊断 (CAD) 系统的关注有限。这很重要，因为这些 CAD 系统可以被初级保健提供者用来监测 MCI 患者。本文概述的方法解决了这一差距，并提出了一种计算效率高的预处理和预测流程，旨在识别与 AD 转换相关的模式。我们提出了一种新方法，利用可以在临床环境中轻松获取的纵向数据（例如 T1 加权磁共振图像、认知测试和人口统计信息）来识别 MCI 受试者的 AD 转换点，AUC = 84.7。相比之下，仅认知测试和人口统计就实现了 AUC = 80.6，这是一个具有统计学意义的差异（n = 669，p < 0.05）。我们设计了一个计算效率高的卷积神经网络，只需要在成像时间点之间进行线性配准。该模型架构结合了 Attention 和 Inception 架构，同时利用了横截面和纵向成像和临床信息。此外，还研究了驱动模型决策的顶级大脑区域和临床特征。这些包括丘脑、尾状核、颞平面和雷伊听觉言语学习测试。我们相信，我们的方法可以轻松地转化为医疗保健环境，作为 MCI 患者的客观 AD 诊断工具。
迈向阿尔茨海默病转化的多模式计算机辅助诊断工具
主要关键词
相关文件推荐
