深度学习优化磁共振成像 预测低毒性缺血性脑病变后的运动结果
Zachary A Vesoulis1, Shamik B Trivedi2, Hallie F Morris3
1Division of Newborn Medicine, Department of Pediatrics, Washington University, St. Louis, Missouri.
Pediatric neurology
|September 29, 2023
概括
一种新的深度学习模型使用仅三个关键特征准确地预测了缺氧缺血性脑病变 (HIE) 的婴儿的不良运动结果. 这种方法简化了预测,并改进了现有的HIE结果评估方法.
科学领域:
- 新生儿神经学 新生儿神经学
- 医学成像分析分析 医学成像分析
- 机器学习在医疗保健中的应用
背景情况:
- 磁共振成像 (MRI) 对于预测缺氧缺血性脑病变 (HIE) 的结果至关重要.
- 现有的MRIHIE评分系统由于冗余和冲突而存在局限性.
- 准确预测HIE结果对于指导治疗和管理至关重要.
研究的目的:
- 开发和验证一个更准确,更节的模型来预测HIE的不良运动结果.
- 确定用于HIE结果预测的最有信息的临床和成像特征.
- 将深度学习 (DL) 与逻辑回归 (LR) 模型的性能进行比较.
主要方法:
- 一组117名患有中度至重度HIE的婴儿,接受治疗性低温治疗,接受了MRI.
- 不良的运动结果是通过12-24个月的标准化神经发育评估来定义的.
- 训练和测试了后勤回归和梯度增强深度学习模型,并应用了特征选择.
主要成果:
- 在研究的婴儿中,有20%的婴儿出现了不良运动结果.
- 在T1MRI上,门/白球损伤,妊娠年龄 (GA) 和带pH值是最具预测性的特征.
- 三个特征的DL模型实现了85%的准确性,超过了48个特征的MRI模型 (79%) 和最佳LR模型 (AUC0.69对0.75).
结论:
- 一个简化的深度学习模型有效地预测负面的HIE运动结果,准确率为85%.
- 该模型仅利用了三个关键特征:T1,GA上的门/白球损伤,以及绳索pH值.
- 这种节的DL方法与传统的物流回归相比,显示出更高的性能.
