深い学習を使用したクロスモーダルニューロイメージングからのタウ病理学の画像の合成

認知症の有病率と病理特異的疾患修飾療法の発症を考えると、医学的意思決定を知らせるための高価値バイオマーカー戦略が重要です。in-vivo tau陽電子放出断層撮影（PET）は、アルツハイマー病の診断と治療結果測定のバイオマーカーとして理想的な標的です。ただし、Tau Petは現在、他の神経画像法と比較して患者が広くアクセスできません。この研究では、より広く利用可能なクロスモダリティイメージング入力からタウPET画像を帰属させる畳み込みニューラルネットワーク（CNN）モデルを提示します。脳T1強調MRI（T1W）、フルオロデオキシグルコース（FDG）PET、アミロイドPET、およびタウPETを含む参加者（n = 1,192）が含まれていました。CNNモデルは、FDGベースのモデルに続いてアミロイドPETとT1Wがそれに続く最高の精度でタウPET画像をインポーションにすることができることがわかりました。AI Imputed Tau PETの影響のテストにおいて、FDGベースのモデルのみが、元の入力データと比較してTau陽性および診断グループを分類する際のパフォーマンスの大幅な改善を示し、モデルの適用が代謝画像の有用性を高めることができることを示唆しています。。解釈可能性の実験により、FDGおよびT1Wベースのモデルは、物理的にリモートROIからの非ローカル入力を使用してタウPETを推定することが明らかになりましたが、これはPIBベースのモデルには当てはまりませんでした。これは、モデルがAmyloid PETとTau PETの関係からFDG PET、T1W、およびTau PETの明確な生物学的関係を学ぶことができることを意味します。私たちの研究は、タンパク質特異的病理を予測するために人工知能を使用したニューロイメージングの使用を拡張することが、新興ケアモデルに情報を提供する大きな可能性があることを示唆しています。

Given the prevalence of dementia and the development of pathology-specific disease modifying therapies, high-value biomarker strategies to inform medical decision making are critical. In-vivo tau positron emission tomography (PET) is an ideal target as a biomarker for Alzheimer's disease diagnosis and treatment outcome measure. However, tau PET is not currently widely accessible to patients compared to other neuroimaging methods. In this study, we present a convolutional neural network (CNN) model that impute tau PET images from more widely-available cross-modality imaging inputs. Participants (n=1,192) with brain T1-weighted MRI (T1w), fluorodeoxyglucose (FDG) PET, amyloid PET, and tau PET were included. We found that a CNN model can impute tau PET images with high accuracy, the highest being for the FDG-based model followed by amyloid PET and T1w. In testing implications of AI-imputed tau PET, only the FDG-based model showed a significant improvement of performance in classifying tau positivity and diagnostic groups compared to the original input data, suggesting that application of the model could enhance the utility of the metabolic images. The interpretability experiment revealed that the FDG- and T1w-based models utilized the non-local input from physically remote ROIs to estimate the tau PET, but this was not the case for the PiB-based model. This implies that the model can learn the distinct biological relationship between FDG PET, T1w, and tau PET from the relationship between amyloid PET and tau PET. Our study suggests that extending neuroimaging's use with artificial intelligence to predict protein specific pathologies has great potential to inform emerging care models.