在拉美人群中验证阿尔茨海默病 18F-FDG PET 诊断深度模型：使用 Latin American 数据的研究

深度学习模型在诊断阿尔茨海默病（AD）方面表现出强大的性能，尤其是针对 18F-FDG PET 扫描，训练数据集主要由来自阿尔茨海默病神经影像计划（ADNI）的北美队列组成。然而，这些模型对 underrepresented 人群的泛化性尚未得到充分探讨。本研究在ADNI数据集上对卷积和 Transformer 模型进行基准测试，并评估其在阿根廷布ue斯 Aires FLENI institute 的新型拉美临床队列中的泛化性能。我们显示，尽管所有模型在ADNI上达到最高 AUC（最高达 .96, .97），但在FLENI上性能显著下降（降至 .82, .80），揭示了显著的领域迁移。所测试的体系结构表现相似，这质疑了 transformer 在此特定任务中声称的优势。通过消融研究，我们识别出 per-image 归一化和正确的采样选择是泛化的关键因素。遮挡灵敏度分析进一步表明，训练于ADNI的模型通常关注AD类的规范低代谢区域，但对于其他类别以及FLENI扫描，注意力变得不清晰。这些发现突显了对诊断性AI模型进行 population-aware 验证的必要性，并激励未来的 domain adaptation 和队列多样化工作。