基于机器学习从18F-FDG PET图像预测淀粉样蛋白沉积的算法研究

为解决阿尔茨海默病治疗药物筛选需求激增的问题，来自日本近畿大学医院的研究团队开发了一种基于支持向量机（SVM）的算法，通过分析194例认知障碍患者的18F-FDG PET和11C-PiB淀粉样蛋白PET影像数据，实现了85.9%的预测准确率（AUC=0.918），为淀粉样蛋白PET筛查提供了高效替代方案。

　　

随着阿尔茨海默病(AD)修饰治疗药物的获批，淀粉样蛋白正电子发射断层扫描(PET)的临床需求激增。这项研究创新性地利用¹⁸F-氟脱氧葡萄糖(FDG)-PET影像预测淀粉样蛋白沉积状态，为筛查流程提供"预判神器"。

研究团队收集了近畿大学医院2011-2018年间194例认知障碍患者的脑部影像数据，包括FDG-PET、匹兹堡化合物B(¹¹C-PiB)淀粉样蛋白PET和磁共振成像(MRI)。通过自动解剖标记模板将大脑划分为120个感兴趣区域(ROI)，采用支持向量机(SVM)算法进行十折交叉验证。

训练阶段模型表现出色：准确率81.5%、灵敏度78.5%、特异性84.6%，受试者工作特征曲线下面积(AUC)达0.846。验证阶段更上一层楼，准确率提升至85.9%，灵敏度88.4%，特异性81.0%，AUC高达0.918。

该成果证实FDG-PET影像蕴含预测淀粉样蛋白沉积的关键信息，所开发算法性能优异，可有效辅助淀粉样蛋白PET的临床筛查决策。