综述：深度学习辅助[18F]FDG PET成像对阿尔茨海默病的诊断性能：系统综述与荟萃分析

本文系统评价了深度学习（DL）辅助[18F]FDG PET成像在阿尔茨海默病（AD）诊断中的性能，涵盖36项研究。结果显示，DL模型区分AD与正常对照（NC）的合并AUC达0.98，AD与轻度认知障碍（MCI）为0.95，MCI与NC为0.94，但研究间存在显著异质性。推荐未来研究加强外部验证、扩大样本量并遵循标准化指南，以推动临床转化。

　　

深度学习辅助[¹⁸F]FDG PET成像：阿尔茨海默病诊断的新纪元

Abstract
本研究通过系统综述与荟萃分析，评估了深度学习（DL）技术在[¹⁸F]FDG PET成像中对阿尔茨海默病（AD）的诊断效能。结果显示，DL模型在区分AD、轻度认知障碍（MCI）及正常对照（NC）中表现出色，但研究间异质性显著，提示需进一步标准化方法学。

Purpose
[¹⁸F]FDG PET通过检测脑葡萄糖代谢变化辅助AD诊断，而DL技术可提升图像分析的自动化与准确性。本研究旨在量化DL辅助[¹⁸F]FDG PET的诊断性能，为临床实践提供循证依据。

Methods
检索Ovid MEDLINE、Embase等5大数据库至2024年5月24日，纳入36项开发DL算法用于[¹⁸F]FDG PET分类AD、MCI及NC的研究。采用双变量随机效应模型计算合并受试者工作特征曲线下面积（AUC）及95%置信区间（CI）。

Results

1. AD vs NC：35项研究的合并AUC为0.98（95% CI: 0.96–0.99），表明DL模型近乎完美区分能力。
2. AD vs MCI：13项研究合并AUC为0.95（0.92–0.96），提示DL可有效识别早期病理变化。
3. MCI vs NC：19项研究合并AUC为0.94（0.91–0.95），凸显DL对疾病前驱期的敏感检测。
   异质性分析显示，DL架构（如CNN、Transformer）、图像预处理方法及样本来源差异是主要变异来源。

Conclusion
DL辅助[¹⁸F]FDG PET在AD诊断中展现出卓越性能，但需通过多中心验证、标准化协议及更大样本研究降低异质性。未来工作应关注模型可解释性及跨模态融合（如结合Aβ-PET），以优化临床决策支持。

生动解读
当人工智能遇上脑科学，[¹⁸F]FDG PET图像中的代谢“指纹”被深度学习解码，AD诊断迎来“智能读片”时代。尽管不同实验室的算法如同方言各异，其核心结论一致：DL能像经验丰富的核医学专家一样，从错综复杂的代谢模式中捕捉AD的蛛丝马迹。然而，要让这项技术真正走进诊所，仍需解决“数据方言”的标准化问题——这或是下一代研究的关键战场。