Introduction

La maladie d’Alzheimer du sujet jeune a la particularité d’avoir une prévalence importante de forme nonamnésiques contrairement à celle du sujet âgé. Néanmoins, la caractérisation reste difficile en clinique, bien que l’atteinte cognitive semble plus importante que les formes mnésiques. L’objectif de cette étude est de définir un nouveau biomarqueur des phénotypes de la maladie d’Alzheimer du sujet jeune, en utilisant l’âge cérébral estimé par deep learning à partir d’une imagerie IRM pondérée T1. L’hypothèse est que les formes non-amnésiques ont un âge cérébral anormalement plus élevé contrairement à la forme mnésique.

Méthode

3345 IRM pondérées T1 de sujets sains ont été utilisées provenant de 4 bases en libres accès. Les images étaient pré-traitées pour corriger les inhomogénéités d’intensité, normaliser dans l’espace du MNI, éliminer les variabilités inter-machines par une normalisation des intensités des matières blanche et grise, et segmenter ces deux matières et le liquide céphalo-rachidien. La base de données était divisée en trois parties, une partie d’entraînement (n = 2945 images), une partie de test (n = 200) et une partie de validation (n = 200). Un algorithme de deep learning était entrainé, testé et validé afin de prédire l’âge des sujets sains [1]. Le modèle entrainé était ensuite utilisé pour prédire l’âge cérébral de 40 patients de la maladie d’Alzheimer du sujet jeune, dont 20 amnésiques et 20 non-amnésiques. Enfin, la différence entre l’âge prédit et l’âge réel du patient était calculée et comparée statistiquement entre les deux formes.

Résultats

Notre meilleur modèle a obtenu une erreur absolue moyenne de 3 ans sur notre jeu de données de validation. La différence entre l’âge prédit et l’âge réel est significativement plus important (p < 0,05) chez les personnes atteintes de la forme non-amnésiques que chez les patients atteints de la forme amnésiques. Cette différence reflète une accumulation inhabituelle de changements liés à l’âge dans le cerveau.

Conclusion

Des approches de deep learning permettent de prédire l’âge de sujets sains avec une bonne précision. L’âge cérébral estimé chez des patients semble sensible à la caractérisation des formes amnésique et non-amnésique de la maladie d’Alzheimer du sujet jeune. Ce score pourrait être une mesure normalisée utilisable dans les rapports neuroradiologiques en routine clinique.

中文翻译：

---

L'âge深度学习的方法：《圣母玛利亚》的变种

介绍

阿尔及利亚最高人民法院特别裁定为永久性非人身保护法。Néanmoins，具有挑战性的刻板印象，bien que l'atteinte认知外表以及重要的形式标记。L'OBJECTIF德CETTE练习曲德EST联合国définir暴发户biomarqueur DES表型德拉maladie D'阿尔茨海默杜sujet热恩，恩utilisant L'年龄脑estimé面值深度学习àpartir D'UNE imagerie IRMpondéréeT1。L'hypothèseest que les formes不能进行跨性别的非遗忘，也要遵守élaémemésique。

梅索德

3345 IRM简易喷射弹射器可以在4个基地自由使用。法国国家统计局局长，法国国立民盟组织统一人事司，国际人人间可变证据组织，法国不列颠及北爱尔兰统一法律，国际液体法和法国国家法律。政党在政党之间的分庭抗争，无党派审判（n  = 2945张图像），无党派考试（n  = 200）和无党派确认（n  = 200）。深度学习算法继续进行测试，测试和验证，然后再进行喷水喷洒[1]。每天为40名患者提供医疗服务，不要再进行20次羊膜炎和20次非羊膜炎治疗。恩芬，普法尔蒂恩与恩特雷恩·德·法尔特和埃米尔·德·法尔科患者统计比较公司。

Résultats

验证的非常规性和非常规性。最重要的意义和重要的意义（p  <0.05），非病历患者的体检合格证。Cette的差异反映了居民的生活变化。

结论

Des致力于深度学习永久性sujets sains avec une bonne精度。患病患者的体检合格率很高，但因患病而对老年人的感觉却不佳。可以按照常规的可使用性来评价神经放射学。