通过MRI在体内检测阿尔茨海默病（AD）和轻度认知障碍（MCI）患者不同脑区中的β-淀粉样蛋白沉积情况

基于非侵入式MRI和PET成像的Aβ蛋白沉积检测方法在AD和MCI中验证，通过VB-Net分割脑区并提取1,409个特征，随机森林回归（RFR）模型表现最优，MAE为0.13（训练）和0.23（测试），R2为0.77（训练）和0.36（测试），PCC为0.89（训练）和0.65（测试）。

　　

摘要

本研究旨在探索一种基于非侵入性磁共振成像（MRI）的方法，用于检测轻度认知障碍（MCI）和阿尔茨海默病（AD）患者不同脑区的β-淀粉样蛋白（Aβ）沉积情况。研究对象包括80名MCI患者和62名AD患者，他们被随机分为训练集和测试集，比例为8:2。所有参与者均接受了18次F-florbetapir正电子发射断层扫描（PET）和三维T1加权MRI检查，两次检查之间的时间间隔不超过30天。研究开发了一种基于深度学习的三维VB-Net模型用于脑区分割。所有PET图像均与相应的MRI图像进行了配准，并计算了109个脑区的标准化摄取比值并取平均值。通过多种方法提取和选择放射组学特征后，应用了六种机器学习算法来建立回归模型。此外，还通过改进原始Transformer架构构建了一种轻量级的基于Transformer的深度学习模型。从MCI和AD患者的每个脑区共提取了1,409个特征。特征选择后，分别保留了46、16、47、59、17和72个特征用于构建随机梯度回归（SGR）、广义线性回归（GBR）、随机森林回归（RFR）、支持向量回归（SVR）、极端梯度提升（XGB）和k最近邻（KNN）模型。Delong检验分析表明，RFR模型表现最佳，在训练集中的平均绝对误差（MAE）、均方误差（MSE）、R2分数（RS）和皮尔逊相关系数（PCC）分别为0.13±0.05、0.03±0.02、0.77±0.22和0.89±0.05；在测试集中的相应值为0.23±0.10、0.09±0.08、0.36±0.12和0.65±0.09。对于深度学习模型，测试集的MAE、MSE、RS和PCC分别为0.41±0.17、0.25±0.18、-0.83±0.42和-0.01±0.17。本研究成功开发了一种基于人工智能的方法，利用MRI定量检测AD和MCI患者不同脑区的Aβ蛋白沉积情况。该方法便捷且无创，无需进行脑脊液穿刺或暴露于电离辐射。

图形摘要