Устойчивая модель глубокого обучения для прогнозирования функции артериального входа при [18F]-ФДГ ПЭТ у мелких животных

Ключевые результаты

Исследователи разработали и успешно протестировали новую модель глубокого обучения для автоматического прогнозирования функции артериального входа (AIF) при динамической ПЭТ-визуализации с [18F]-ФДГ у мелких лабораторных животных. Модель продемонстрировала высокую корреляцию с данными, полученными золотым стандартом инвазивного забора крови (коэффициент детерминации R² = 0,912), что открывает перспективы для неинвазивной количественной оценки параметров метаболизма глюкозы.

Методология

В исследовании применялась архитектура глубокого обучения на основе сверточных нейронных сетей (CNN), обученная на данных динамических ПЭТ-сканирований 65 мышей. Исследователи использовали:

• Данные динамических [18F]-ФДГ ПЭТ-исследований с инвазивными измерениями AIF для обучения и валидации
• Сегментацию зон интереса, включая левый желудочек сердца и крупные кровеносные сосуды
• Трехкратную перекрестную проверку для оценки надежности модели
• Сравнение прогнозируемых AIF с эталонными кривыми, полученными инвазивным способом

Дополнительно модель была протестирована на устойчивость к вариациям протоколов сканирования и физиологических параметров животных.

Клиническое значение

Неинвазивное определение функции артериального входа имеет несколько важных преимуществ для преклинических исследований:

1. Повышение благополучия животных — устраняет необходимость инвазивного забора крови, что соответствует принципу 3R в экспериментальных исследованиях (замена, уменьшение, улучшение)
2. Упрощение рабочего процесса — сокращает время исследования и требуемые ресурсы
3. Повышение точности количественной оценки — позволяет проводить более точную оценку метаболических параметров, таких как скорость метаболизма глюкозы (MRGlu)

Предложенная методика открывает путь для более масштабных продольных исследований с повторными измерениями на тех же животных.

Ограничения и дальнейшие перспективы

Авторы отмечают следующие ограничения исследования:

• Модель обучена и проверена только на данных мышей одной линии и при использовании [18F]-ФДГ
• Необходима дальнейшая проверка на других видах лабораторных животных и с различными радиотрейсерами
• Требуется изучение возможности применения аналогичного подхода для клинических исследований человека

Выводы

Разработанная модель глубокого обучения представляет собой значительный шаг к полностью неинвазивному количественному анализу динамических ПЭТ-исследований у мелких лабораторных животных. Это открывает новые возможности для исследований метаболизма глюкозы в норме и патологии, особенно в продольных исследованиях и при изучении экспериментальных моделей заболеваний. Дальнейшее развитие метода может привести к его адаптации для других радиотрейсеров и потенциальному применению в клинической практике.