Die PET-Bildgebung mit mehreren histopathologischen Targets neurodegenerativer Erkrankungen unterstützt die Entwicklung von Biomarkern für die individualisierte Diagnostik und krankheitsmodifizierende Behandlungen. Es ist jedoch derzeit unmöglich, eine PET-Bildgebung mit mehreren Radiotracern im klinischen Alltag durchzuführen, da Strahlendosis, sowie finanzielle und logistische Belastungen dagegensprechen. Eine schnelle Multi-Tracer-PET-Bildgebung wird seit den 1980er Jahren propagiert, deren Einsatz ist jedoch immer noch durch mangelnde mathematische Robustheit und Informationsintegration begrenzt.
Das vorgeschlagene Projekt wird ein integriertes digitales Gesundheitstool für die schnelle Multi-Tracer-PET-Bildgebung entwickeln. Es wird eine neuartige Deep-Learning-Methode entwickelt, um die individuelle PET-Bildgebung aus einem gemischten Multi-Tracer-Signal zu rekonstruieren. Es wird auch die Strahlungsdosis jedes einzelnen Tracers reduzieren, um die Gesamtstrahlungsbelastung für die Multi-Tracer-PET-Bildgebung zu verringern. Darüber hinaus werden die entwickelten Methoden der künstlichen Intelligenz Biomarker herausbringen, um eine individualisierte Diagnostik und krankheitsmodifizierende Therapien für neurodegenerative Erkrankungen zu ermöglichen. Die entwickelten Methoden werden in einer multizentrischen Studie in Korea und der Schweiz validiert.
Wissenschaftlicher und gesellschaftlicher Kontext des Forschungsprojekts
Das Projekt befasst sich sowohl mit der technischen Entwicklung als auch mit der klinischen Übersetzung. Um neurodegenerative Erkrankungen besser diagnostizieren und behandeln zu können, ist es wichtig, mehrere Informationen zu integrieren und PET mit mehreren Tracern klinisch praktisch und finanziell effizient zu implementieren. Die herkömmlichen Verfahren sind derzeit nur begrenzt in der Lage, Informationen abzurufen und komplexe Signale zu verarbeiten.
Increasing studies confirmed that PET imaging of multiple histopathologic targets of neurodegenerative disorders supports the development of biomarkers for individualized diagnosis and disease-modifying treatment. However, it is almost not practical to perform PET imaging of multiple tracers in clinical routine due to concerns of radiation dose, financial and logistic burdens. Although rapid multi-tracer imaging has been proposed for several decades, the current methods based on non-linear fitting of complex pharmacokinetic models are not robust enough for clinical application. Furthermore, the elevated complexity of multi-tracer imaging poses substantial challenges on the integrated analysis for biomarker development. Recent advances in deep learning have led to several ground-breaking changes in digital health. Its ability of replicating and extending human capability provides the potential of paradigm-shifting developments of neurodegenerative disorders. Both the Korean and Swiss application teams have rich experience in artificial intelligence and neuroimaging. The synergetic research of deep learning in digital neuroimaging of this proposed project allows the boost of research experience of the application team in artificial intelligence to support technical breakthrough and clinical translation.The proposed project will develop an integrated digital health tool for rapid multi-tracer PET imaging. It proposes a novel deep learning method to recover signals of individual tracers from overlapped imaging of several PET tracers within an integrated scan. Dose reduction strategies will be integrated in the development of this deep learning method. Considering that most centres only have PET/CT, the proposed project will develop deep learning methods to synthesize high-quality structural MRI from multi-tracer PET/CT imaging to simplify the imaging workflow.The second part of this project will develop unsupervised deep learning methods to discover biomarkers to facilitate individualized diagnosis and disease-modifying therapy for neurodegenerative disorders. The hidden interrelation between multi-tracer PET imaging and heterogeneous pathology will be explored, which may lead to the redefinition of neurodegenerative diseases based on identified effective biomarkers. The developed deep learning methods and identified biomarkers will be finally tested and validated on a joint clinical study of Korea and Switzerland.
Last updated:17.07.2023
