本研究开发了机器学习模型，通过整合早期阶段18F-Florbetaben PET和临床数据来预测阿尔茨海默病中的β淀粉样蛋白（Aβ）阳性，以提高诊断准确性。此外，该研究还探讨了利用早期阶段PET预测认知状态的机器学习模型，最大化双相成像协议的临床效用。研究纳入了176名完成双相18F-FBB PET扫描的受试者，其中包括38名正常认知者、94名轻度认知障碍者和44名痴呆患者。Aβ状态由延迟阶段18F-FBB PET扫描（注射后90–110分钟）确定。为了开发预测Aβ阳性的机器学习模型，我们利用了早期阶段PET和临床特征。从早期阶段18F-FBB PET扫描（注射后0–10分钟），提取了特定脑区的标准摄取值比（SUVR）作为影像学特征。包括随机森林、梯度提升和XGBoost在内的多种分类器经过训练，并通过准确率、ROC AUC、召回率和F1分数进行评估。通过计算特征重要性识别关键预测因子，并量化对各模型结果影响最大的特征的重要性。仅使用早期阶段PET显示中等性能（随机森林准确率为80.56%），其中海马（重要性：0.086）、扣带回峡部（0.051）和内嗅皮层（0.038）的SUVR值为主要预测因子。结合PET和临床数据的模型使用梯度提升达到了最高准确率（88.89%），关键预测因子包括APOE基因型（重要性：0.2485）、内侧眶额叶SUVR（0.0996）和海马SUVR（0.0663）。在利用早期阶段PET预测认知状态时，大多数分类器的准确率超过80%，F1分数在0.82到0.90之间，决策树显示出最高的准确率83.33%。结合PET和临床数据的机器学习模型在预测Aβ阳性方面表现出优越的预测准确性，而仅使用早期阶段PET在预测认知状态方面显示出稳健的性能，突显了多模态数据的协同潜力和早期阶段PET成像的多功能实用性。
(全文结束)
