相关实验视频
Updated: Jul 18, 2025
09:32
Cortical Source Analysis of High-Density EEG Recordings in Children
Published on: June 30, 2014
21.4K
基于MRI的脑年龄预测模型用于3岁以下的儿童,使用深度残留网络
Lianting Hu1,2,3, Qirong Wan4, Li Huang5
1Guangzhou Women and Children's Medical Center, Guangzhou, 510623, Guangdong, China.
Brain structure & function
|August 21, 2023
概括
这项研究开发了一种深度学习模型,使用MRI扫描精确预测3岁以下儿童的大脑年龄. 该模型显示了在ADHD和低出生体重等条件下早期检测异常大脑发育的潜力.
科学领域:
- 神经科学是一个神经科学.
- 儿科成像学 儿科成像学
- 人工智能在医学中的应用
背景情况:
- 在3岁以下的儿童中,早期发现异常大脑发育至关重要.
- 现有的大脑年龄预测模型主要是为成年人设计的,限制了它们在儿科人口中的使用.
- 通过神经成像预测的大脑生物年龄与健康和认知能力相关.
研究的目的:
- 开发和验证使用深度学习对0-3岁儿童进行准确的大脑年龄预测模型.
- 评估模型在捕捉幼儿时代与年龄相关的大脑变化方面的表现.
- 调查该模型在特定儿科条件下识别发育差异方面的实用性.
主要方法:
- 从0-3岁的健康儿童收集了658个T1加权的MRI扫描.
- 开发了一种深度学习模型,特别是卷积神经网络 (CNN),用于大脑年龄预测.
- 通过将预测的大脑年龄与时间学年龄进行比较,验证了模型的准确性,实现了91%的相关性.
主要成果:
- 深度学习模型在预测幼儿T1加权MRI扫描时的时间年龄方面取得了很高的准确性.
- 该模型的性能与支持向量回归 (SVR) 方法相当.
- 在极低出生体重 (延迟) 和注意力缺陷/多动障碍 (ADHD) (加速) 的儿童中观察到异常的大脑年龄预测.
结论:
- 一个针对儿童的深度学习模型使用最小处理的MRI数据准确预测大脑年龄.
- 这种模型作为一个有价值的定量工具,用于检测早期儿童的异常大脑发育.
- 这些发现支持通过先进的神经成像分析早期识别和干预神经发育障碍.
