基于卷积神经网络的阿尔茨海默病与行为异常型额颞叶痴呆的鉴别诊断模型研究

目的 构建一个基于卷积神经网络的深度学习分类模型,以鉴别阿尔茨海默病(Alzheimer's disease,AD)和行为异常型额颞叶痴呆(behavioral variant of frontotemporal dementia,bvFTD)患者,旨提高鉴别诊断正确率.方法 分别对医生诊断的47例很可能AD患者和39例很可能bvFTD患者进行头颅MRI扫描,对结构MRI数据进行预处理后,根据AAL2模板和Harvard-Oxford模板提取全脑不同脑区的灰质体积特征,采用卷积神经网络进行构建分类模型,并对构建的模型进行与传统机器学习方法的对比试验、主要差异脑区的分类试验和年龄差异探讨试验.结果 卷积神经网络基于AAL2模板和Harvard-Oxford模板数据的最高分类正确率分别为82.6％和83.7％,明显优于传统机器学习方法的75.6％和76.7％,2个模板的26个和31个可能主要差异脑区的最高分类正确率分别为79.1％和80.2％.结论 AD与bvFTD可以通过基于卷积神经网络的深度学习模型获得较高的分类正确率,提示该模型可用于辅助鉴别诊断.