Feature Integration of FDG PET Brain Imaging Using Deep Learning for Sensitive Cognitive Decline Detection

Sintesi Tecnica: Integrazione di Caratteristiche di Imaging Cerebrale [18F]FDG PET tramite Deep Learning per il Rilevamento Sensibile del Declino Cognitivo

Problematica
Distinguere gli individui con declino cognitivo (CD), inclusi l'Alzheimer precoce (AD) e il decadimento cognitivo lieve (MCI), dagli individui cognitivamente normali (CN), è fondamentale per un intervento precoce. Sebbene la Tomografia a Emissione di Positroni (PET) utilizzando il [18F]fluorodeossiglucosio (FDG) catturi le alterazioni funzionali cerebrali associate al CD, la sua utilità clinica è spesso limitata dai costi, dall'esposizione alle radiazioni e dalle limitazioni dei dati. Inoltre, gli approoli di deep learning esistenti si basano spesso su rappresentazioni a singola caratteristica (ovvero l'imaging grezzo o la quantificazione basata su regioni) e possono avere difficoltà con la generalizzabilità in ambienti clinici con scarsità di dati. Questo studio affronta la necessità di un framework multimodale ed efficiente dal punto di vista dei dati che sfrutti una singola modalità di imaging (FDG PET) per migliorare l'accuratezza diagnostica e la sensibilità.

Metodologia
Gli autori propongono un framework di deep learning multi-rappresentazionale che integra due tipi distinti di caratteristiche derivate dagli stessi esami FDG PET: caratteristiche di imaging a livello di voxel e caratteristiche quantitative a livello di regione. Il framework si compone di quattro fasi:

1. Preprocessamento dei Dati:

   • Dati di Imaging: Gli scatti PET 3D sono stati ridimensionati a 128 × 128 × 64 e suddivisi in immagini 2D. Per l'addestramento, sono stati estratti 10 segmenti assiali centrali; per il test, è stato utilizzato un singolo segmento centrale.
   • Dati di Quantificazione: Le scansioni MRI sono state segmentate utilizzando FreeSurfer per definire 41 distinte regioni cerebrali. Queste maschere sono state coregistrate con le scansioni PET per estrarre le misurazioni del Rapporto del Valore di Captazione Standardizzato (SUVr) per ogni regione, risultando in dati tabulari.
   • Dataset: Lo studio ha utilizzato 252 soggetti dall'Alzheimer's Disease Neuroimaging Initiative (ADNI): 118 CN e 134 CD (70 MCI, 64 AD). I dati sono stati suddivisi a livello di soggetto utilizzando una validazione incrociata a 5 pieghe (64% addestramento, 16% validazione, 20% test).

2. Estrazione delle Caratteristiche:

   • Ramo di Imaging: Sono state testate due architetture: una Rete Neurale Convoluzionale (CNN) utilizzando una EfficientNetB0 pre-addestrata (perfezionata sugli ultimi quattro strati) e una rete PCA (Principal Component Analysis Network) per affrontare i limiti dei piccoli dataset. Le caratteristiche sono state estratte da più strati (ad esempio, CNN1, CNN2, CNN3).
   • Ramo di Quantificazione: Una Rete Neurale Profonda (DNN) ha elaborato i dati tabulari SUVr. Le caratteristiche sono state estratte da tre strati distinti (DNN1, DNN2, DNN3) insieme ai dati originali (DNN0).

3. Fusione delle Caratteristiche:

   • Le caratteristiche dei rami di imaging e di quantificazione sono state integrate tramite concatenazione diretta. Lo studio ha valutato tutte le 16 combinazioni possibili di livelli di caratteristiche (4 livelli di imaging × 4 livelli di quantificazione).

4. Classificazione:

   • I vettori di caratteristiche fusi sono stati inseriti in 12 classificatori di machine learning (inclusi Random Forest, SVM, XGBoost, ecc.).
   • Tecniche di ensemble (hard voting, soft voting e stacking) sono state applicate utilizzando un set eterogeneo di classificatori (RF, MLP, CatBoost, SVM, LR) per aumentarne la robustezza.

Risultati Chiave

• Prestazioni Baseline: Tra i modelli a singola modalità, la DNN (utilizzando solo la quantificazione a livello di regione) ha raggiunto l'accuratezza più elevata (0,82 ± 0,06) e l'F1-score (0,82 ± 0,08). I modelli CNN e PCANet (utilizzando solo i dati di imaging) hanno ottenuto accuratezze inferiori di 0,69.
• Prestazioni di Fusione: Il modello integrato che combina le caratteristiche DNN (specificamente dallo strato DNN2) e le caratteristiche CNN (dallo strato CNN1 o CNN2) ha prodotto le prestazioni più elevate. Il miglior modello di fusione ha raggiunto un'accuratezza di 0,86 ± 0,05 e un F1-score di 0,87 ± 0,04.
• Prestazioni dell'Ensemble: L'applicazione di una strategia di ensemble al miglior modello di fusione (Ensemble 1) ha ulteriormente migliorato i risultati, raggiungendo un'accuratezza di 0,87 ± 0,05, un recall di 0,88 ± 0,04 e un F1-score di 0,88 ± 0,05.
• Miglioramento della Sensibilità: Rispetto alla migliore baseline (DNN), il modello di fusione ensemble ha mostrato un miglioramento del 6,10% nell'accuratezza e un aumento significativo del recall (da 0,77 a 0,88), indicando una maggiore sensibilità nel rilevare i casi veri positivi di CD.
• Correlazione Clinica: Gli output del modello hanno mostrato una significativa correlazione negativa con i punteggi del Mini-Mental State Examination (MMSE) (p < 0,001), suggerendo che le probabilità predette riflettano la gravità della malattia.
• Confronto con MMSE: Quando confrontato direttamente con la classificazione basata su MMSE (soglia < 24 per CD), il modello proposto ha superato l'MMSE in accuratezza (0,88 vs 0,72), recall (0,89 vs 0,42) e F1-score (0,88 vs 0,59), sebbene l'MMSE mostrasse una precisione superiore (1,00).

Significatività e Rivendicazioni
L'articolo sostiene che la combinazione dell'imaging PET con la quantificazione a livello di regione tramite deep learning migliori le prestazioni diagnostiche rispetto ai modelli a singola caratteristica. Gli autori sottolineano che questa strategia multimodale migliora la sensibilità al declino cognitivo, un fattore critico per il rilevamento precoce. Integrando informazioni complementari sia dai pattern a livello di voxel che dai tassi metabolici specifici per regione, l'approccio offre un metodo più efficiente dal punto di vista dei dati e più accurato per la classificazione del declino cognitivo. Lo studio suggerisce che tali approcci basati sulla fusione possono supportare una più ampia applicazione della PET in contesti clinici, fungendo potenzialmente da ausilio diagnostico che integra le metriche cliniche esistenti come l'MMSE. Gli autori osservano che, sebbene la dimensione del dataset fosse limitata, l'uso della validazione incrociata a 5 pieghe e dei metodi di ensemble ha fornito stime delle prestazioni robuste, adatte ai vincoli clinici del mondo reale.