摘要
本研究旨在利用颅脑氟18(18F)氟脱氧葡萄糖（FDG）PET数据建立并验证深度学习算法来预测Alzheimer病（AD）、轻度认知障碍或健康志愿者的明确诊断，并将其结果与放射科医生诊断结果相比较。
本研究旨在利用颅脑氟18(18F)氟脱氧葡萄糖（FDG）PET数据建立并验证深度学习算法来预测Alzheimer病（AD）、轻度认知障碍或健康志愿者的明确诊断，并将其结果与放射科医生诊断结果相比较。
本研究收集颅脑18F-FDG PET数据，并分为测试组（40例）。记录随访最终临床诊断。利用初学V3构架卷积神经网络对90%数据进行训练，并对剩余10%患者以及独立测试组进行验证。将结果与放射科医生结果相比较。利用模型分析两者的敏感性、特异性、ROC、显着图和t分布随机邻域嵌入。
结果为，利用算法预测独立测试组最终临床诊断AD的ROC曲线下面积为(95% CI： 0.94， 1.00)（敏感性和特异性分别为82%、100%），以随访平均75.8个月的结果为最终诊断结果。该结果由于放射科医生最终结果（敏感性、特异性分别为57% [4/7]、91% [30/33]； P < .05）。显着图显示在已知感兴趣区较为显着，但全脑均较为显着。
本研究表明，以随访平均75.8个月的结果为最终诊断，利用颅脑18F-FDG PET，预测Alzheimer病的深度学习算法的敏感性和特异性分别为82%、100%。
原始出处：
Ding Y， Sohn JH， Kawczynski MG，et al.A Deep Learning Model to Predict a Diagnosis of Alzheimer Disease by Using 18F-FDG PET of the Brain.Radiology.DOI：10.1148/radiol.2018180958
