Амилоидная ПЭТ-визуализация для прогнозирования снижения когнитивных способностей у пожилых людей без деменции

Болезнь Альцгеймера (БА) — прогрессирующее нейродегенеративное заболевание, характеризующееся накоплением амилоидных бляшек и нейрофибриллярных клубков в мозге. Эти патологические изменения начинаются за десятилетия до появления клинических симптомов, что делает раннее выявление критически важным для потенциального вмешательства. Амилоидная ПЭТ-визуализация стала ценным инструментом для визуализации и количественной оценки накопления амилоидных бляшек в мозге, что дает представление о ранних стадиях заболевания. Однако традиционные измерения амилоидной ПЭТ, такие как стандартизированное отношение значений поглощения (SUVR), имеют ограничения, включая изменчивость параметров визуализации и отсутствие сопоставимости перекрестных трассеров. В недавней статье в Radiology Advances рассматривается применение модели на основе глубокого обучения для гармонизации амилоидных ПЭТ-изображений с различными трассерами для улучшения прогнозирования снижения когнитивных способностей у пожилых людей без деменции.

Амилоидная ПЭТ-визуализация и ее ограничения

Амилоидная ПЭТ-визуализация — это неинвазивный метод, позволяющий визуализировать in vivo амилоидные бляшки, один из признаков болезни Альцгеймера. Накопление этих бляшек считается предшественником когнитивного снижения и возможной деменции. Традиционные методы анализа амилоидных ПЭТ-изображений основаны на SUVR, количественной мере, которая сравнивает поглощение амилоида в мозге относительно референтной области. Хотя SUVR широко используется как в исследовательских, так и в клинических условиях, он имеет ряд ограничений. К ним относятся различия в выборе референтной области, различия в параметрах визуализации и присущая изменчивость между различными трассерами ПЭТ.

Для решения этих проблем была введена центилоидная шкала в качестве стандартизированного метода для гармонизации значений SUVR среди различных трейсеров. Однако центилоидный подход также имеет свои недостатки, включая необходимость калибровки с несколькими трейсерами и восприимчивость к изменчивости SUVR. В результате существует настоятельная необходимость и растущий интерес к разработке альтернативных методов для повышения надежности и сопоставимости измерений амилоида с помощью ПЭТ, особенно для многоцентровых и продольных исследований. Это исследование имеет решающее значение для продвижения нашего понимания и лечения нейродегенеративных расстройств.

Гармонизация ПЭТ-амилоида на основе глубокого обучения

Недавние достижения в области глубокого обучения открыли новые возможности для улучшения анализа ПЭТ амилоида. Была разработана модель глубокого обучения для гармонизации изображений ПЭТ амилоида с различными трассерами с целью улучшения прогнозирования снижения когнитивных способностей. Эта модель, называемая DL-ADprob, была обучена с использованием большого набора данных изображений ПЭТ амилоида из нескольких когорт, включая Инициативу по нейровизуализации болезни Альцгеймера (ADNI), Австралийское исследование биомаркеров визуализации и образа жизни (AIBL) и Японскую инициативу по нейровизуализации болезни Альцгеймера (J-ADNI).

Модель глубокого обучения была разработана для выявления связанных с БА закономерностей накопления амилоидных бляшек, независимо от конкретного используемого трейсера. Таким образом, она обеспечивает непрерывную оценку вероятности АД-деменции, которую можно использовать для прогнозирования вероятности когнитивного снижения у когнитивно ненарушенных (CU) и умеренных когнитивных нарушений (MCI) людей. Модель DL-ADprob продемонстрировала превосходную производительность в различении людей с CU и АД-деменцией, превзойдя традиционные SUVR и центилоидные измерения по нескольким ключевым показателям, включая точность, чувствительность и специфичность.

Прогностическое значение DL-ADprob при снижении когнитивных способностей

Основной целью разработки модели DL-ADprob было улучшение прогнозирования когнитивного снижения у пожилых людей без деменции. Для оценки ее прогностической ценности модель была применена к амилоидным ПЭТ-изображениям двух независимых когорт: группа ADNI-MCI и группа Harvard Aging Brain Study (HABS)-CU. Результаты оказались многообещающими, причем оценка DL-ADprob обеспечила значительную инкрементальную прогностическую ценность по сравнению с обычными измерениями амилоидной ПЭТ, объемами гиппокампа, полученными с помощью МРТ, и клинической информацией.

В группе ADNI-MCI DL-ADprob был надежным независимым предиктором прогрессирования от MCI к AD-деменция. Аналогично, в группе HABS-CU модель продемонстрировала способность предсказывать переход от CU к MCI. DL-ADprob также показал прогностическую ценность в прогнозировании будущей амилоид-положительной конверсии у амилоид-отрицательных лиц, что подчеркивает его потенциальную полезность в лечении заболевания на ранней стадии.

Заключение

Интеграция глубокого обучения в анализ амилоида ПЭТ представляет собой значительный прогресс в нейровизуализации и исследовании болезни Альцгеймера. Модель DL-ADprob не только улучшает гармонизацию изображений амилоида ПЭТ с различными трейсерами, но и улучшает прогнозирование когнитивного снижения у пожилых людей без деменции. Предоставляя надежный, независимый от трейсера биомаркер, DL-ADprob имеет потенциал дополнять традиционные измерения амилоида ПЭТ, предлагая более индивидуальный подход к прогнозированию и раннему вмешательству при болезни Альцгеймера.

Успех модели DL-ADprob подчеркивает важность продолжения исследований в области применения глубокого обучения в медицинской визуализации. Будущие исследования должны быть сосредоточены на уточнении модели, особенно в различных популяциях и в различных модальностях визуализации. По мере развития области инструменты на основе глубокого обучения, такие как DL-ADprob, могут играть решающую роль в раннем выявлении и лечении болезни Альцгеймера, в конечном итоге улучшая результаты лечения пациентов с помощью персонализированных подходов к медицине.

Источник: Radiology Advances