祝贺实验室论文发表于IEEE Journal of Biomedical and Health Informatics | 开发基于sMRI的多模态PET指标预测方法，并应用于阿尔茨海默病的早期诊断

实验室团队发展了一种新颖的深度学习框架，并在阿尔茨海默病的辅助诊断方面取得了进展。论文题为《Improving Alzheimer’s Disease Diagnosis with Multi-Modal PET Embedding Features by a 3D Multi-task MLP-Mixer Neural Network》，提出了一种新的方法，提高了阿尔茨海默病辅助诊断的准确性（图1）。

图 1 3D-Mixer模型基于sMRI预测多模态PET指标并应用于阿尔茨海默病的早期诊断

阿尔茨海默病是痴呆症的主要成因，据估计65岁以上人群的患病率为10-30%。通过结构磁共振成像（sMRI）和使用不同示踪剂的正电子发射断层扫描（PET）等尖端成像技术，医生可以提取患者与阿尔茨海默病相关的特征，包括脑萎缩、β淀粉样蛋白积累和大脑葡萄糖代谢减少情况等。然而，PET成像的成本较高且需要使用放射性示踪剂，因此受到许多限制。

实验室团队开发了一种基于MLP-Mixer架构的深度学习方法（3D-Mixer），相比于基于卷积神经网络的方法，3D-Mixer具有更大的感受野和更高的参数效率。与此前只专注于合成单一模态PET影像的方法不同，3D-Mixer可以同时预测两种PET模态（FDG-PET和AV45-PET）的指标，可以为准确诊断阿尔茨海默病提供互补信息。

通过将模型中PET嵌入特征与sMRI相结合，3D-Mixer可以准确地对是否患有阿尔茨海默病或轻度认知障碍的预后进行预测。在五个独立数据集（仅使用ADNI训练）上的实验表明，该方法在阿尔茨海默病的诊断和轻度认知障碍的预后方面具有很好的泛化能力。

实验室博士生张子超是本研究的第一作者，赵兴明教授为通讯作者。

原文链接：https://ieeexplore.ieee.org/document/10137746