Modellazione della distribuzione tau da DTI con rete generativa avversaria per la diagnosi della malattia di Alzheimer

L'impatto più significativo di questo progetto è quello di proporre per la prima volta una nuova rete generativa avversaria (GAN), come un tipo di architettura di apprendimento profondo, per generare automaticamente immagini PET sintetiche che riflettono la deposizione di tau, da immagini DTI cerebrali. In caso di successo, questo quadro diventerà l'approccio più all'avanguardia per simulare il modello stereotipato dell'accumulo e della distribuzione intracerebrale di tau in vivo.

Le immagini tau-PET sintetiche tramite DTI, che possiedono una schiacciante superiorità in assenza di radiazioni, non invasività ed efficacia in termini di costi, serviranno potenzialmente come una delle modalità alternative della PET nel rilevare il carico tau e probabilmente supereranno la PET in termini di accessibilità, generalizzabilità e disponibilità in futuro, rendendolo molto più attraente nell'applicazione clinica. Potrebbe verificarsi un grande cambiamento concettuale preferendo un nuovo tau-PET simulato tramite DTI.

Il framework di deep learning basato sui dati DTI che sarà creato in questo progetto costituirà uno strumento accurato, robusto, clinicamente applicabile e spiegabile per classificare in modo efficiente i soggetti in casi di tau-burden positivi e tau-burden negativi, che senza dubbio contribuiranno sia alla clinica e attività di ricerca.