阿尔茨海默病(AD)是一种病理性疾病，目前通常根据淀粉样蛋白、Tau蛋白和核蛋白生成的三种标志性异常的标记物来定义。代表病理学的标志物的组合定义了一个人的淀粉样牛磺酸变性 (ATN)状态，这一研究结构提供了AD的生物学定义以及导致痴呆的病理生理事件和多因素的特征。 随着生物标志物在临床研究中对患者的选择和分类的应用不断增加，对广泛应用的生物标志物的需求也在增加。

ATN系统是通过将三种病理类型的中阳性或阴性标记状态与脑脊液(CSF)A或B淀粉样蛋白的存在相结合来实现的。

PET可用于阿尔茨海默病的淀粉样蛋白-tau神经变性(ATN)分类，但会产生相当大的成本和暴露于电离辐射。MRI目前在诊断ATN状态方面应用有限。深度学习技术可以检测MRI数据中的复杂模式，并具有无创表征ATN状态的潜力。

近日，发表在Radiology杂志的一项研究利用MRI和现成的诊断数据，评估了使用深度学习预测PET确定的ATN生物标志物状态。

本项研究回顾性收集来自阿尔茨海默病影像学倡议的MRI和PET数据。从2005年8月到2020年9月，PET扫描与30天内获得的MRI扫描配对。对随机分成以下子集:70%用于训练，10%用于验证，20%用于最终测试。使用双峰高斯混合模型将PET扫描阈值划分为正、负标签。MRI数据被输入卷积神经网络生成成像特征。将这些特征与患者人口统计学、APOE基因状态、认知评分、海马体积和临床诊断结合在一个逻辑回归模型中，将每个ATN生物标志物成分分类为阳性或阴性。采用受试者工作特征曲线下面积(AUC)分析对模型进行评价。特征重要性由模型系数和梯度得到。

淀粉样蛋白2099个(患者平均年龄75岁±10岁[SD];1110名男性)，557名tau(患者平均年龄75岁±7岁;男性280例)，FDG PET 2768例(患者平均年龄75岁±7岁;1645名男性)和MRI配对。测试集的模型AUC如下:淀粉样蛋白，0.79 (95% CI: 0.74, 0.83);tau, 0.73 (95% CI: 0.58, 0.86);神经退行性疾病，0.86 (95% CI: 0.83, 0.89)。在神经网络中，高梯度存在于关键的颞、顶叶、额叶和枕叶皮质区域。认知评分、海马体积和APOE状态的模型系数最高。

 表 在验证集和测试集上使用结构化模型、MRI模型和组合模型确定淀粉样蛋白、Tau蛋白和神经退行性生物标志物阳性的性能

本项研究表明，利用MRI和其他可用的诊断数据，深度学习算法可预测PET确定的ATN状态的各个组成部分，且具有可接受到优异的效果。

原文出处：

Christopher O Lew,Longfei Zhou,Maciej A Mazurowski,et al.MRI-based Deep Learning Assessment of Amyloid, Tau, and Neurodegeneration Biomarker Status across the Alzheimer Disease Spectrum.DOI:10.1148/radiol.222441