自閉スペクトラム症における脈絡叢のセグメンテーションのための確率的深層学習アプローチ

科学分野:

• 神経画像
• 医用人工知能
• 発達神経科学

背景:

• 脈絡叢は、神経免疫機能に関与する重要な脳関門です。
• 一部の自閉スペクトラム症（ASD）の個人では、脈絡叢の形態学的変化が観察されています。
• 磁気共鳴画像法（MRI）を用いた脈絡叢の正確なセグメンテーションは、大規模なASD集団研究に不可欠です。

研究 の 目的:

• ASDの個人における脈絡叢のセグメンテーションのためのASCHOPLEX深層学習ツールの一般化可能性を評価すること。
• 異なる年齢層（子供と成人）におけるASCHOPLEXのパフォーマンスを評価すること。
• セグメンテーションの不確実性とモデルの信頼性を定量化するための確率的アプローチの有用性を調査すること。

主な方法:

• ASDおよび対照参加者の局所データセットに対するASCHOPLEX深層学習ツールのファインチューニング。
• セグメンテーションの不確実性を定量化するためのASCHOPLEXの確率的バージョンの実装。
• 子供と大人の両方を含む自閉症脳画像交換（ABIDE）データセットでのASCHOPLEXパフォーマンスのテスト。

主要な成果:

• ASCHOPLEXは、局所およびABIDEデータセットの両方の成人における脈絡叢のセグメンテーションにおいて、良好な一般化可能性と正確性を示しました。
• ツールの精度は子供では低下し、さらなるファインチューニングなしではこの年齢層への一般化可能性が限定的であることを示唆しています。
• 確率的アプローチは、セグメンテーションモデルの信頼性評価を向上させる信頼性指標を提供しました。

結論:

• ASCHOPLEXは、特に成人において、以前に見たことのないMRIデータにおける脈絡叢のセグメンテーションのための有能な深層学習ツールです。
• 小児集団におけるASCHOPLEXの精度と一般化可能性を確保するためには、年齢別のファインチューニングが必要です。
• 確率的アプローチの組み込みは、臨床および研究アプリケーションに不可欠な信頼性評価を提供することにより、深層学習ツールの有用性を強化します。