全球和区域深度学习模型用于多发性硬化症分层从MRI.
Llucia Coll1, Deborah Pareto2, Pere Carbonell-Mirabent1
1Multiple Sclerosis Centre of Catalonia (Cemcat), Hospital Universitari Vall d'Hebron, Universitat Autònoma de Barcelona, Barcelona, Spain.
Journal of magnetic resonance imaging : JMRI
|October 7, 2023
概括
使用解剖MRI的深度学习模型可以预测多发性硬化症 (MS) 的预后. 全球大脑方法在外部验证中证明了MS患者根据残疾水平分层的最佳平衡.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学预后 医学预后
背景情况:
- 解剖MRI与深度学习 (例如,CNNs) 结合,显示出预测多发性硬化症 (MS) 预后的前景.
- 缺乏对这些预测模型进行不同输入策略比较的研究.
研究的目的:
- 为了比较深度学习模型的全脑与区域/特定组织输入策略.
- 使用MRI数据,根据残疾水平对MS患者进行分层.
主要方法:
- 对319名多发性硬化患者 (内部) 和440名多发性硬化患者 (外部验证) 的回顾性研究.
- 3D-CNN受过训练,可以根据扩展残疾状况量表 (EDSS) 评分 (≥3.0对比<3.0) 来分类患者.
- 全球 (整个大脑) 和区域 (白质,灰质等) 的比较. 输入策略 输入策略.
主要成果:
- 内部:灰色物质区域模型达到了81%的准确度; 全球方法达到了79%.
- 外部验证:白质模型达到了72%的准确度;全局方法达到了71%.
- 全局方法显示出最佳的性能与通用化的权衡.
结论:
- 全球方法提供了一个强大的方法来分层MS患者残疾使用解剖MRI和深度学习.
- 输入策略选择对预测MS预后的模型性能产生影响.
