このページは機械翻訳されています。他のページは英語で表示される場合があります。 View in English

多発性硬化症とMOG抗体関連疾患を区別するためのディープラーニングモデリング

  • 0Department of Medicine, Surgery and Neuroscience, University of Siena, Siena, Italy.

|

|

まとめ

この要約は機械生成です。

新しいディープラーニングモデルと臨床/MRIアルゴリズムは,多発性硬化症 (MS) とミエリン・オリゴデンドロサイト・グリコタンパク質抗体関連疾患 (MOGAD) を正確に区別します. この2つのアプローチを組み合わせることで 診断の精度が向上し 神経学的疾患を区別するのに役立ちました

科学分野

  • 神経学
  • 放射線科
  • 人工知能

背景

  • 多発性硬化症 (MS) は一般的な成人神経疾患であり,ミエリン・オリゴデンドロサイト・グリコプロテイン抗体関連疾患 (MOGAD) はまれである.
  • 適切な治療には,MOGADとMSを区別することが重要です.
  • 過去の機械学習モデルは有望でしたが 更に検証が必要でした

研究 の 目的

  • MSとMOGADを区別するための臨床/MRIアルゴリズムを検証する.
  • 同じ診断タスクのためのディープラーニング (DL) モデルを開発し評価する.
  • 2つのモデルの組み合わせたパフォーマンスを評価し,確率注意マップ (PAMs) を使用して重要な差別化イメージング特性を特定します.

主な方法

  • 多発性硬化症とMOGADの成人の406人のMRIスキャンを対象とした多中心治験です.
  • 検証データセットに対する既存の臨床/MRIアルゴリズムの性能評価
  • 独立したデータセットでResNet-10コンボリューションニューラルネットワークベースのDL分類器の開発とテスト.
  • 異なる脳の領域を視覚化して定量化するためのPAMの生成

主要な成果

  • 臨床/MRIアルゴリズムは,検証コホートで75%の精度,96%の感度,そして56%の特異性を達成した.
  • DLモデルは70%の精度,67%の感度,73%の特異性を実証した.
  • 両モデルを組み合わせると 86%の精度,84%の感度,89%の特異性が得られました.
  • PAMは異なる病変パターンを強調し,corpus callosum,precentral gyrus,thalamus,および cingulate cortexがMSを区別する一方で,脳幹,海馬,およびパラヒポカンパの回路はMOGADを示した.

結論

  • 臨床/MRIアルゴリズムとDLモデルは,MSとMOGADを区別するのに有効です.
  • モデルには補完的な強みがあり,臨床/MRIアルゴリズムはより高い感度,DLモデルはより高い特異性を示しています.
  • この2つのアプローチを組み合わせることで 診断の正確性が著しく向上します
  • PAMは,MSとMOGADの異なる神経病理学的パターンの貴重な洞察を提供し,差異診断を助けます.