Универсальная и точная модель DL для прогнозирования амилоид-позитивности при ПЭТ-сканировании
Болезнь Альцгеймера характеризуется накоплением бляшек бета-амилоида в головном мозге. ПЭТ-визуализация амилоида имеет решающее значение для диагностики и планирования лечения. Хотя визуальная интерпретация является обычным явлением, она имеет ограничения. Количественный анализ, несмотря на то, что он более точен, зависит от оператора. По мере появления методов лечения, модифицирующих заболевание, растет потребность в эффективных инструментах интерпретации ПЭТ. Глубокое обучение обещает автоматизировать этот процесс, но нынешним моделям часто не хватает обобщаемости и требуется сложная предварительная обработка. Это исследование, опубликованное в журнале Radiology, было направлено на разработку модели глубокого обучения для интерпретации амилоида ПЭТ, оценку ее эффективности в различных наборах данных и индикаторах и сравнение ее с человеческими показаниями.
Использование общедоступных наборов данных для автоматической оценки амилоид-позитивности при ПЭТ-сканировании
В ходе исследования были проведены визуализирующие исследования с одобрения институциональных наблюдательных советов и согласия участников. В нем использовались общедоступные наборы данных из таких проектов, как Инициатива по нейровизуализации болезни Альцгеймера (ADNI), Серия исследований визуализации открытого доступа 3 (OASIS3), Проект Centiloid, исследование «Антиамилоидное лечение при бессимптомной болезни Альцгеймера» (A4) и исследование по Оценка амилоида в крови и визуализации, связанной с деменцией (SEABIRD). Эти наборы данных включали ПЭТ-сканы с различными индикаторами, такими как фтор-18 флорбетапир (FBP), углерод-11 Питтсбургское соединение B (PiB), фтор-18 флорбетабен (FBB), флютеметамол фтора-18 (FMT) и фтор-18-флутафуранол (ранее 18F-NAV4694). .
ПЭТ-сканы были предварительно обработаны, и амилоид-позитивность определялась с использованием установленных пороговых значений. Кроме того, для сравнения было проведено чтение руководств с участием эксперта в области радиологии и ядерной медицины. Сканирования были помечены как амилоид-положительные или отрицательные на основании их среднего коркового коэффициента SUV.
Сверточная нейронная сеть (CNN) под названием AmyloidPETNet была разработана для оценки вероятности положительного результата по амилоиду при ПЭТ-сканировании. Эта архитектура CNN была вдохновлена предыдущими исследованиями и состояла из пяти контекстных модулей с остаточными связями. Эти модули были разработаны для обработки входных объемов любого размера, что делает модель универсальной для различных форматов сканирования ПЭТ. CNN был обучен на меченых ПЭТ-сканах изучать закономерности, указывающие на амилоид-положительный результат.
Оценка эффективности AmyloidPETNet для прогнозирования амилоид-позитивности при ПЭТ-сканировании
Оценка эффективности AmyloidPETNet включала несколько этапов и анализов. Во-первых, набор данных ADNI был разделен на обучающий, проверочный и тестовый наборы, обеспечивая сбалансированное распределение среднего кортикального соотношения внедорожников и пола с использованием антикластеризации. Модель прошла обучение в течение 100 эпох с механизмом ранней остановки для предотвращения переобучения. Была проведена настройка гиперпараметров, и наиболее эффективная модель была переобучена пять раз для оценки надежности. Кроме того, модель была тщательно проверена на независимых наборах данных, включая сканы с невидимыми трассерами, из различных наборов данных, таких как OASIS3 и A4.
Способность модели прогнозировать наличие амилоида оценивалась в различных сценариях. Это включало в себя один и тот же трассировщик и набор данных (ADNI), различные трассировщики в одном и том же наборе данных (ADNI), независимые наборы данных, использующие тот же трассировщик, что и в наборе обучающих данных, а также данные из разных наборов данных исследования, полученные с помощью другого трассировщика, чем в обучающий набор. Кроме того, была проведена оценка эффективности на основе биологического пола пациентов, показателя клинического рейтинга деменции и возрастных групп.
Комплексный статистический анализ и оценка интерпретируемости
Для статистического анализа были рассчитаны различные показатели производительности, такие как точность, сбалансированная точность, положительная прогностическая ценность, отрицательная прогностическая ценность, чувствительность, специфичность, положительные и отрицательные отношения правдоподобия, показатель F1 и площадь под кривой рабочей характеристики приемника (AUC). Согласие между считывателями между предсказаниями AmyloidPETNet и визуальными считываниями оценивали с использованием статистики κ Коэна. Для всех показателей были рассчитаны 95%-ные доверительные интервалы Bootstrap, а для сравнения различных наборов данных использовались статистические тесты, включая тест Макнемара, обобщенную статистику оценок и тест ДеЛонга. Визуализация и интерпретируемость были решены с использованием локальных интерпретируемых модельно-независимых объяснений, чтобы визуализировать внимание модели и гарантировать, что модель училась классифицировать на основе соответствующих функций. Наконец, вычислительные затраты были оценены путем измерения среднего времени работы модели при сканировании с графическими процессорами и без них для оценки эффективности.
Надежная работа с различными ПЭТ-индикаторами и наборами данных для прогнозирования амилоид-позитивности
В исследование вошли 8476 ПЭТ-сканирований 6722 пациентов со средним возрастом 70,9 лет. Среди этих сканирований 33,1% были амилоид-положительными, а 85,3% пациентов не имели когнитивных нарушений. Для обучения и проверки модели было использовано 1743 скана от 861 пациента, а для внутреннего тестирования — 184 скана от 95 пациентов. Набор для внешнего тестирования включал 6549 ПЭТ-сканирований 5769 пациентов.
AmyloidPETNet продемонстрировал высокую точность и AUC при прогнозировании амилоид-позитивности с использованием того же индикатора ПЭТ (18F-FBP) в наборе данных ADNI, достигнув точности 96,8% и AUC 1,0 в обучающем наборе. Производительность модели оставалась стабильной на проверочных и внутренних тестовых наборах, достигнув значения AUC 0,97 в обоих наборах данных.
При прогнозировании амилоид-позитивности с использованием одного и того же индикатора ПЭТ в независимых наборах данных (OASIS3 и исследование A4) AmyloidPETNet достиг AUC 0,95 и 0,98 соответственно. Несмотря на относительно низкую распространенность амилоид-положительных результатов в этих наборах данных, модель достигла высоких показателей F1 и сбалансированной точности.
Кроме того, AmyloidPETNet продемонстрировал многообещающую эффективность при прогнозировании амилоид-позитивности с использованием различных индикаторов ПЭТ в независимых наборах данных. Несмотря на то, что модель обучалась только на ПЭТ-сканах 18F-FBP, она достигла высоких значений AUC на сканах 11C-PiB из OASIS3 и SEABIRD. Кроме того, модель продемонстрировала потенциал для сканирования 18F-FMT и 18F-NAV4694 в рамках проекта Centiloid, хотя необходимы дальнейшие эксперименты с более крупными образцами для улучшения оценки эффективности этих радионуклидов.
Эффективность классификации амилоид-позитивности по сравнению с экспертными визуальными показаниями
Модель продемонстрировала надежную работу в различных сценариях. Большинство ошибок классификации находились в пределах 10% от порогового значения амилоид-положительного результата, при этом неправильно классифицированные сканы часто обнаруживали значительную атрофию коры или плохое качество изображения. Кроме того, эффективность модели оставалась одинаковой для разных демографических групп участников, включая пол, возрастные группы и показатели клинического рейтинга деменции, без каких-либо статистически значимых различий.
При сравнении классификаций моделей с экспертными визуальными показаниями в наборе данных проекта Centiloid наблюдалось высокое согласие, в результате чего общее значение κ Коэна составило 0,93. Из 127 сканирований наблюдалось только четыре разногласия, причем три из этих случаев вызвали низкую степень доверия со стороны рентгенолога. В исследовании А4, которое содержало больше сомнительных случаев, согласие модели и врача было ниже (коэффициент Коэна 0,39). Тем не менее, модель превзошла результаты рентгенолога при рассмотрении среднего кортикального коэффициента SUV, достигнув более высокого значения κ Коэна, равного 0,67.
Несмотря на проблемы в сомнительных случаях, модель показала многообещающую производительность, особенно в точной классификации случаев вблизи точки отсечения. В целом модель продемонстрировала хорошее согласие с экспертными аннотациями в различных наборах трассирующих данных.
AmyloidPETNet: универсальная и точная модель глубокого обучения для прогнозирования амилоид-позитивности при ПЭТ-сканировании
Одним из основных преимуществ AmyloidPETNet является его способность обеспечивать быстрый и точный прогноз статуса амилоида независимо от используемого оборудования для визуализации, алгоритмов реконструкции или индикатора Aβ. Это может существенно повлиять как на клинические, так и на исследовательские условия, помогая в диагностике и лечении пациентов с легкими когнитивными нарушениями, повышая достоверность диагноза и помогая в скрининге вмешательств без необходимости структурной МРТ или обширных вычислительных ресурсов.
Кроме того, AmyloidPETNet продемонстрировал надежную работу с различными индикаторами Aβ, преодолев проблемы, связанные с разнообразием рекомендаций по интерпретации для каждого индикатора. Карты внимания модели выявили диффузный фокус на границе серого и белого вещества, что отражает типичные закономерности, наблюдаемые при амилоидном ПЭТ-сканировании.
По сравнению с предыдущими исследованиями, AmyloidPETNet продемонстрировал несколько улучшений, включая тестирование на больших внешних наборах данных, обобщение различных трассировщиков и возможность обработки трехмерных объемов любого размера. Производительность модели была сопоставима с эффективностью читателей-экспертов и потенциально могла бы улучшить процесс принятия клинических решений при диагностике болезни Альцгеймера.
Однако исследование имело ограничения, включая исключение реальных клинических данных с деменцией, не связанной с БА, и различными сопутствующими заболеваниями, а также отсутствие количественных показателей патологии Aβ или неопределенности прогноза. Тем не менее, AmyloidPETNet представляет собой значительный прогресс в автоматизации классификации амилоидных ПЭТ-сканирований, предлагая надежный и эффективный инструмент для врачей-ядерщиков в клинических и исследовательских условиях.
Источник: RSNA Radiology