华南理工大学郭圣文教授：应用卷积神经网络实现轻度认识障碍的识别与转化预测

编者按： “AME 作者面对面” 是微信公众号 “AME科研时间” 的特色专栏。编辑部精心挑选了发表在 AME 旗下杂志的优秀论著，诚邀作者总结亮点，分享研究成果，旨在进一步推动医学同行之间的交流和进步。

文章亮点

轻度认知障碍（MCI）是老年痴呆（AD）的早期阶段，每年有10%-15%的患者会转化为痴呆，而目前老年痴呆尚无有效的药物或治疗方法。因此，轻度认知障碍的早期检测与转化风险评估，对患者的病情进行有效控制和及时干预具有十分重要的价值。

本研究共收集了150名健康正常人（NC）、150名稳定型MCI患者（sMCI）和157名转化MCI（cMCI）在3年期间的脑部MR影像，分别基于GoogleNet和CaffeNet两种深度卷积神经网络（CNN），应用迁移学习和一种新的随机组合二维数据增强方法，对模型进行训练，以识别MCI，并预测从MCI到AD的转化风险和时间。

在NC、sMCI和cMCI组中，GoogleNet分别获得了97.58％，67.33％和84.71％的识别准确率，而CaffeNet则获得了98.71％，72.04％和92.35％的准确率。GoogleNet对sMCI患者在不同时间点转化风险的预测准确率为71.25％～83.25％，而CaffeNet为95.42％～97.01％。

实验结果表明，依据脑部MR结构影像，采用迁移学习与数据增强的深度学习模型，能有效地区分健康正常人、稳定型和转化型MCI患者,并预测其转换风险和转化时间点。