FDG-PET is een waardevolle imagingtechniek om in te zetten bij mensen met een hoog risico op neurodegeneratie, maar nadelen zijn forse investeringen in tijd en geld. Een Duits-IJslands onderzoeksteam ontwikkelde daarom een deep learning-model dat voorspellingen maakt van toekomstige FDG-PET-scans op basis van bestaande scans. De voorspellingen van het model bleken nauwkeurig en de klinische validiteit was hoog.
PET-CT met de radioactieve stof FDG (FDG-PET) is een zinvolle test bij mensen met een risico op neurodegeneratie, omdat de techniek metabole veranderingen in de hersenen zichtbaar kan maken. Tijdens klinisch onderzoek zou een longitudinale FDG-PET-studie diepgaande informatie kunnen geven over de effecten van een interventie op neurodegeneratie, maar de keerzijden zijn hoge kosten en een flinke tijdsinvestering.
De onderzoekers gebruikten daarom bepaalde algoritmes (image-to-image-translation) om nieuwe scans te genereren op basis van bestaande FDG-PET-scans van patiënten met een hoog risico op neurodegeneratie. Het doel was om op basis van daadwerkelijk verkregen FDG-PET-scans in jaar 0 en jaar 1 een voorspelling te maken van FDG-PET-scans in jaar 2 tot en met jaar 10. Scans werden verkregen van 206 oudere deelnemers (minstens 55 jaar) die op dat moment wel of geen cognitieve beperkingen hadden.
De nauwkeurigheid van het voorspellende deep learning-model werd bepaald door een vergelijking tussen voorspelde scans en echte scans. Daarnaast analyseerden de onderzoekers het verband tussen voorspelde signaalafnames op FDG-PET-scans tussen baseline en jaar 2 en jaar 6 én veranderingen in dementiescores (sum of boxes van de Clinical Dementia Rating Scale, CDR-SB).
Het model voorspelde zeer nauwkeurig tot en met jaar 6, waarna het wat slechter werd. Verder was de voorspelde afname in het FDG-PET-signaal zowel in jaar 2 als in jaar 6 systematisch geassocieerd met een toename in dementiescores, wat aangeeft dat de klinische validiteit hoog is. Volgens de onderzoekers kan het ontwikkelde model mogelijk bijdragen aan efficiëntere klinische trials die minder kosten.
Bron: