中枢神経系感染症における脳脊髄液信号の評価のための新しいMRIベースの深層学習-放射学フレームワーク

科学分野:

• 医療用イメージング
• 医療における人工知能
• 神経科学

背景:

• 中枢神経系感染症 (CNSI) の正確な診断は重要ですが,腰椎穿刺 (LP) のような現在の方法は侵襲的で遅いです.
• 患者の治療結果を改善し 臨床作業の流れを簡素化するために 新しい非侵襲的診断ツールが必要です

研究 の 目的:

• 急性CNSIにおける脳脊髄液 (CSF) の変化を特定するために,磁気共鳴画像 (MRI),放射学,およびディープラーニング (DL) を使用する非侵襲的な枠組みを開発し,検証する.
• ハイブリッドDL-放射学モデルのパフォーマンスを,CNSI分類のためのベースDLアーキテクチャと比較する.

主な方法:

• 52人の急性CNSI患者と52人の対照群で,入院後48時間以内にMRIを受けた.
• T2加重のMRIで心室および亜レンチフォームの核パレンキマ (周周空間を含む) からのCSF関連信号のセグメンテーション.
• ハイブリッドのDenseASPP-RadFusionとMobileASPP-RadFusionモデルの開発で,RadiomicsとDL機能を融合させ,5倍クロス検証を使用してDenseNet-201とMobileNet-V3Largeと比較した.

主要な成果:

• ハイブリッドのDenseASPP-RadFusionモデルは,亜レンチ型核パレンキマで最高の分類性能を達成しました (精度: 78.57%).
• 微細にフィルターされたMRIデータからの放射線特性は優れた識別力を示しました.
• 感染したCSFと非感染したCSFを区別するための最も信頼性の高い解剖学的標的は,亜レンチ型核領域であることが判明しました.

結論:

• 堅牢で解釈可能なMRIベースの深層学習放射学パイプラインは,CNSI分類のために確立されています.
• このフレームワークは,特にパレンキマ領域のCSF信号変化を分析することによって,LPの潜在的非侵襲的な代替案を提供します.
• 発見は,この新しい診断アプローチの多センター検証と臨床統合のための基盤を提供します.