使用深度学习模型区分多发性硬化和神经omyelitis optica光谱障碍.

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 多发性硬化症 (MS) 和神经omyelitis optica光谱障碍 (NMOSD) 是中枢神经系统的自身免疫性炎症性疾病,具有重叠的临床和放射性特征.
• 精确的MS和NMOSD之间的差异诊断对于及时和有效的治疗启动至关重要.

研究的目的:

• 开发和评估一个深度学习模型来区分MS和NMOSD使用大脑MRI数据.
• 在临床环境中评估拟议模型的诊断性能.

主要方法:

• 使用了一个修改后的ResNet18卷积神经网络.
• 该模型使用从3D FLAIR MRI序列的选定2D切片中获得的5通道图像进行训练.
• 用Grad-CAM进行模型解释,以确定关键的分类特征.

主要成果:

• 深度学习模型的整体准确率达到了76.1%.
• 报告的敏感性和特异性分别为77.3%和74.8%.
• 该模型显示了76.9%的正预测值和78.6%的负预测值,AUC为0.85.
• 分析表明,白质病变是驱动分类的主要特征.

结论:

• 开发的深度学习模型在帮助MS和NMOSD的差异诊断方面显示出前景.
• 该模型能够识别白质病变作为关键歧视因素,这突显了其潜在的临床实用性.
• 这种人工智能驱动的方法可以帮助临床医生管理患有这些复杂神经疾病的患者.