使用基于MRI的深度学习模型对缺氧缺血性脑病的图形智能诊断
Tian Tian1, Tongjia Gan2, Jun Chen3
1Department of Radiology, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, China.
Neonatology
|May 26, 2023
概括
一个新的深度学习模型,DLCRN,使用MRI和临床数据准确地识别新生儿的缺氧缺血性脑病变 (HIE). 这种工具有助于一致和及时的HIE诊断和管理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 新生儿神经病学 新生儿神经病学
背景情况:
- 由于复杂的MRI发现,诊断缺氧缺血性脑病变 (HIE) 是具有挑战性的.
- 神经放射学家的一致性受到异质损伤模式的限制.
研究的目的:
- 开发和验证使用MRI和临床数据的智能HIE识别模型 (DLCRN).
- 提高HIE的诊断效率和一致性.
主要方法:
- 对HIE新生儿和健康对照进行了回顾性病例控制研究.
- 在MRI和临床数据上使用多变量逻辑回归开发了DLCRN模型.
- 使用区分,校准和可视化评估模型性能.
主要成果:
- DLCRN模型表现出强大的歧视力,AUC为0.868 (训练),0.813 (内部验证) 和0.798 (独立验证).
- 该模型的校准良好,并显示出临床潜力.
- 视觉化突出显示了与放射学发现一致的损伤区域.
结论:
- 可视化的DLCRN可以客观和定量地识别HIE.
- DLCRN模型可以改善HIE查,诊断一致性,并指导临床管理.
