Machine learning-based prediction of amyloid positivity using early-phase F-18 flutemetamol PET
초기 단계 F-18 플루테메타몰 PET 영상을 활용한 아밀로이드 양성 예측을 위한 머신러닝 기반 모델 연구
- 주제(키워드) early-phase F-18 flutemetamol PET , amyloid positivity , machine learning , Alzheimer’s disease , mild cognitive impairment
- 주제(DDC) 610
- 발행기관 아주대학교 일반대학원
- 지도교수 Young-Sil An
- 발행년도 2026
- 학위수여년월 2026. 2
- 학위명 박사
- 학과 및 전공 일반대학원 의학과
- 실제URI http://www.dcollection.net/handler/ajou/000000035337
- 본문언어 영어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
Previous studies have suggested that early-phase imaging of amyloid positron emission tomography (PET) may offer information for predicting amyloid positivity. This study aimed to evaluate whether early-phase fluorine-18 flutemetamol (eFMM) PET images provide valuable information for predicting amyloid positivity using machine learning (ML) models and whether incorporating clinical and neuropsychological features improves predictive performance. In total, 454 patients with mild cognitive impairment (MCI) and Alzheimer’s disease (AD) were enrolled and randomly divided into training (n = 354) and test (n = 100) groups. We developed ML models using logistic regression (LR) and linear discriminant analyses (LDA) for predicting amyloid positivity: eFMM features alone (eFMM model), eFMM features combined with clinical features (eFMM + C model), eFMM features combined with neuropsychological features (eFMM + N model), eFMM features combined with both clinical and neuropsychological features (eFMM + C + N model), clinical and neuropsychological features combined (C + N model), and dFMM features alone (dFMM model). In the test group, the eFMM models achieved areas under the receiver operating characteristic curves (AUROCs) of 0.791 (LR) and 0.779 (LDA). The eFMM + C + N models significantly improved predictive performance, with AUROCs of 0.902 for both LR and LDA, outperforming the eFMM models. ML predictive models using eFMM PET data demonstrated fair performance in predicting amyloid positivity in patients with MCI and AD. The addition of relevant clinical and neuropsychological features further enhanced the predictive performance of the eFMM models, achieving excellent performance.
more초록/요약
최근 연구들에 따르면 아밀로이드 양전자방출단층촬영(PET)의 초기 영상은 아밀로이드 양성 여부를 예측하는 데 유용한 정보를 제공할 수 있는 것으로 제시되고 있다. 본 연구의 목적은 초기 단계 F-18 플루테메타몰(early-phase F-18 flutemetamol, eFMM) PET 영상이 아밀로이드 양성 여부를 예측하는 데 있어 머신러닝 기반 예측모형으로서의 활용 가능성을 평가하고, 임상적 및 신경심리학적 지표의 결합이 예측 성능을 향상시킬 수 있는지를 검토하는 것이다. 총 454명의 경도인지장애 및 알츠하이머병 환자들을 등록하여 훈련 집단(n = 354)과 검증 집단(n = 100)으로 무작위 분할하였다. 아밀로이드 양성 예측을 위해 로지스틱 회귀(logistic regression, LR) 및 선형 판별 분석(linear discriminant analysis, LDA)을 기반으로 한 머신러닝 모델을 개발하였으며, 다음의 여섯 가지 모델을 구축하였다: eFMM 영상 특징만을 이용한 모델(eFMM 모델), eFMM 영상과 임상 지표를 결합한 모델(eFMM + C 모델), eFMM 영상과 신경심리학적 지표를 결합한 모델(eFMM + N 모델), eFMM 영상과 임상 및 신경심리학적 지표를 모두 결합한 모델(eFMM + C + N 모델), 임상 및 신경심리학적 지표만을 이용한 모델(C + N 모델), 지연 단계 F-18 플루테메타몰(delayed-phase F-18 flutemetamol, dFMM) 영상만을 이용한 모델(dFMM 모델)이다. 검증 집단에서 eFMM 단독 모델의 AUROC는 LR 모델에서 0.791, LDA 모델에서 0.779로 확인되었으며, 임상 및 신경심리학적 지표를 함께 포함한 eFMM + C + N 모델에서는 두 분석 방법 모두에서 AUROC가 0.902로 유의미한 예측 성능 향상을 나타냈다. 결론적으로, eFMM PET 영상 기반 머신러닝 예측 모델은 경도인지장애 및 알츠하이머병 환자들에서 아밀로이드 양성 여부를 예측하는 데 있어 비교적 우수한 성능을 보였으며, 여기에 임상 및 신경심리학적 정보를 추가함으로써 예측 정확도를 더욱 향상시킬 수 있음을 확인하였다.
more목차
Introduction 1
Materials and Methods 3
A. Study population 3
B. Clinical and neuropsychological features 4
C. Acquisition protocol for brain MR 4
D. Acquisition protocol for FMM PET/CT and interpretation of amyloid positivity 4
E. Calculation of SUVRs in eFMM and dFMM PET 7
F. Feature selection 13
G. ML predictive models for amyloid positivity 13
H. Statistical analysis 14
Results 15
A. Patient characteristics 15
B. Relevant features selected through feature selection 17
C. Predictive performance of eFMM predictive models 20
D. Predictive performance of dFMM models 33
Discussion 38
Conclusions 43
References 44
