Автоматическая классификация болезни Альцгеймера и умеренных когнитивных нарушений по одному МРТ-исследованию с применением глубоких нейронных сетей

Мы разработали и валидировали алгоритм глубокого обучения, позволяющий по одному одномоментному структурному МРТ-исследованию головного мозга индивидуально прогнозировать диагноз болезни Альцгеймера (БА) и умеренных когнитивных нарушений с последующей конверсией в БА (c-MCI). Сверточные нейронные сети (CNN) применяли к трехмерным Т1-взвешенным изображениям, полученным в рамках исследования ADNI и у участников, набранных в нашем институте (407 здоровых лиц, 418 пациентов с БА, 280 пациентов с c-MCI и 533 пациента со стабильными умеренными когнитивными нарушениями [s-MCI]). Эффективность CNN оценивали по способности различать БА, c-MCI и s-MCI. Во всех классификациях была достигнута высокая точность; наилучшие результаты получены при сравнении БА со здоровыми лицами — 99% только на выборке ADNI и 98% на объединенной выборке ADNI и non-ADNI. CNN различали пациентов с c-MCI и s-MCI с точностью до 75%; различий между изображениями ADNI и non-ADNI не выявлено. CNN представляют собой эффективный инструмент автоматизированной диагностики отдельных пациентов на разных этапах континуума БА. Метод продемонстрировал высокую эффективность без предварительного конструирования признаков и независимо от различий в протоколах визуализации и моделях сканеров, что указывает на возможность его применения операторами без специальной подготовки и, вероятно, обобщения на данные новых пациентов. CNN могут ускорить внедрение структурной МРТ в рутинную практику для помощи в обследовании и ведении пациентов.