深度学习模型的开发和评估,用于使用儿科大脑MRI扫描对髓成熟的自动估计
Tugba Akinci D'Antonoli1, Ramona-Alexandra Todea1, Nora Leu1
1From the Department of Pediatric Radiology (T.A.D., N.L., F.P.) and Department of Pediatric Neurology and Developmental Medicine (A.N.D.), University Children's Hospital Basel, Spitalstrasse 33, 4056 Basel, Switzerland; Institute of Radiology and Nuclear Medicine, Cantonal Hospital Basel, Basel, Switzerland (T.A.D.); and Department of Neuroradiology, Clinic of Radiology and Nuclear Medicine (R.A.T.) and Department of Research and Analysis, Clinic of Radiology and Nuclear Medicine (B.S., J.W.), University Hospital Basel, Basel, Switzerland.
一个新的深度学习模型从儿童大脑MRI扫描中准确预测髓成熟年龄. 这种人工智能工具提高了效率,并减少了儿童神经放射学评估的变化.
科学领域:
- 人工智能在医学中的应用
- 儿科神经放射学 儿科神经放射学
- 神经成像和大脑发育
背景情况:
- 对髓成熟的准确评估对于评估儿科大脑发育至关重要.
- 通过脑MRI扫描来确定髓成熟年龄的传统方法可能耗时且受观察者之间的变化影响.
- 之前的深度学习模型已经显示出希望,但需要进一步细化临床应用.
研究的目的:
- 开发和验证一种深度学习算法,用于从婴儿和幼儿大脑MRI扫描中预测髓成熟年龄.
- 通过使用一组2D和3D卷积神经网络来改进现有模型.
- 评估模型的性能与放射科医生生成的标签和建立的基准.
主要方法:
- 从机构档案中回顾儿童大脑MRI扫描 (0-3岁) 的回顾性检索.
- 在710名患者中,对2D/3D卷积神经网络组合模型进行培训和内部验证.
- 在两个独立数据集 (n=226和n=383) 上进行外部验证,以使用平均绝对误差 (MAE) 评估可概括性和性能.
主要成果:
- 整体模型在内部和外部测试集中实现了较低的平均绝对误差 (MAE) 值,在第二个外部测试集 (MAE = 0.31 个月) 上表现最好.
- 拟议的模型在可比的外部测试组 (MAE = 1.22 与 2.09 个月) 上显著优于之前的最先进模型.
- 与单个2D或3D模型相比,整体方法在预测髓成熟年龄方面表现出更高的准确性.
结论:
- 开发的深度学习模型可以准确地预测小儿大脑MRI的髓成熟年龄.
- 这种人工智能驱动的方法有可能显著减少与手动评估相关的时间和观察者间的变化.
- 该模型代表了儿科成像和神经放射学的宝贵进步,有助于评估早期大脑发育.
更多相关视频
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014