利用级联注意力引导的视觉变换器结合[1?F]Florbetapir正电子发射断层扫描（PET）技术对早期阿尔茨海默病患者的淀粉样蛋白负荷进行分层分析

《European Radiology》：Stratifying amyloid burden in early Alzheimer’s disease using cascaded attention-guided vision transformer using [1?F]Florbetapir PET

阿尔茨海默病β-淀粉样蛋白沉积阶段分类模型研究。提出CA-ViT框架通过[1?F]Florbetapir PET影像分析，实现跨中心82.8%-78.0%的三类准确率，辅助医生诊断准确率提升11%-27%。该模型有效解码病理信息，助力早期监测。

　　

摘要

研究目标

本研究旨在开发一种深度学习模型，以帮助医生准确分类阿尔茨海默病（AD）中的阴性、不确定性和阳性β-淀粉样蛋白（Aβ）沉积阶段。

材料与方法

来自两个队列的1327名受试者接受了[1?F]Florbetapir PET扫描，并根据Aβ沉积情况进行了分组。我们提出了一种级联注意力引导的视觉变换器（CA-ViT）框架，用于提取具有生物学意义的区域信息以进行细粒度分类。为了评估其临床实用性，我们比较了医生在使用我们提出的方法与否时的诊断性能。

结果

CA-ViT模型在两个队列的三类分类任务中均表现出出色的跨中心性能，准确率分别为82.8% [79.1%, 86.5%]（96%置信区间，CI）和78.0% [75.1%, 80.9%]。使用我们提出的模型的医生在诊断准确性上有了显著提高（从56%提高到66%，从50%提高到77%）。

结论

CA-ViT模型能够有效解析[1?F]Florbetapir PET成像中的细粒度病理信息，从而准确划分Aβ沉积情况，帮助医生早期监测AD。

要点

问题深度学习有潜力帮助医生准确分类早期阿尔茨海默病中的β-淀粉样蛋白沉积阶段

发现所提出的诊断模型是一种有前景的计算机辅助工具，可用于早期评估淀粉样蛋白沉积情况，并显著提高了医生的诊断性能

临床意义不确定的淀粉样蛋白沉积常常使早期阿尔茨海默病的诊断变得复杂，可能会延迟最佳干预措施。我们的模型在多个中心的PET扫描数据上得到了验证，提高了这些不确定病例的识别率，并提升了经验较少医生的诊断准确性

图形摘要

研究目标

本研究旨在开发一种深度学习模型，以帮助医生准确分类阿尔茨海默病（AD）中的阴性、不确定性和阳性β-淀粉样蛋白（Aβ）沉积阶段。

材料与方法

来自两个队列的1327名受试者接受了[1?F]Florbetapir PET扫描，并根据Aβ沉积情况进行了分组。我们提出了一种级联注意力引导的视觉变换器（CA-ViT）框架，用于提取具有生物学意义的区域信息以进行细粒度分类。为了评估其临床实用性，我们比较了医生在使用我们提出的方法与否时的诊断性能。

结果

CA-ViT模型在两个队列的三类分类任务中均表现出出色的跨中心性能，准确率分别为82.8% [79.1%, 86.5%]（96%置信区间，CI）和78.0% [75.1%, 80.9%]。使用我们提出的模型的医生在诊断准确性上有了显著提高（从56%提高到66%，从50%提高到77%）。

结论

CA-ViT模型能够有效解析[1?F]Florbetapir PET成像中的细粒度病理信息，从而准确划分Aβ沉积情况，帮助医生早期监测AD。

要点

问题深度学习有潜力帮助医生准确分类早期阿尔茨海默病中的β-淀粉样蛋白沉积阶段

发现所提出的诊断模型是一种有前景的计算机辅助工具，可用于早期评估淀粉样蛋白沉积情况，并显著提高了医生的诊断性能

临床意义不确定的淀粉样蛋白沉积常常使早期阿尔茨海默病的诊断变得复杂，可能会延迟最佳干预措施。我们的模型在多个中心的PET扫描数据上得到了验证，提高了这些不确定病例的识别率，并提升了经验较少医生的诊断准确性

图形摘要