使用深度学习和2型糖尿病的MRI诊断大脑缩的诊断模型
Saba Raoof Syed1, Saleem Durai M A1
1Vellore Institute of Technology, School of Computer Science and Engineering, Vellore, Tamilnadu, India.
Frontiers in neuroscience
|November 15, 2023
概括
这项研究引入了一个人工智能模型,用于诊断2型糖尿病患者的脑缩,在检测,细分和分类脑异常方面实现了高准确性.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 神经学和内分泌学 神经学和内分泌学
- 生物医学工程 生物医学工程
背景情况:
- 2型糖尿病 (T2DM) 与认知能力下降和大脑结构变化有关,包括大脑缩.
- 早期和准确的脑缩诊断对于管理T2DM相关的神经复杂症至关重要.
研究的目的:
- 开发一种自动化的深度学习模型,用于检测,细分,分类和预测T2DM相关脑缩患者的生存率.
- 通过先进的AI技术,提高T2DM患者脑缩的诊断能力.
主要方法:
- 利用了235张来自T2DM脑缩患者的MRI图像.
- 采用了新的卷积中位过器进行预处理,TRAU-Net进行细分,多项物流回归与注意力旋转变压器 (MLAST)进行分类,以及多变量CoX回归 (MCR)进行年龄预测.
- 使用精度,F1分数,ROC-AUC,子相似系数和像素精度等指标评估性能.
主要成果:
- 实现了高细分精度 (98.25%的像素精度,96.41%的子系数).
- 对不同类型的大脑缩 (例如,FA,PA,R-MTA,L-MTA) 进行强大的多类分类表现,训练准确度高,AUC-ROC总值为0.9856.
- 预测模型表现良好,相关系数 (r) 为0.951.
结论:
- 开发的深度学习模型有效地检测,细分和分类T2DM患者的大脑缩.
- 该自动化系统的性能优于现有模型,并有可能在临床部署,以帮助医生诊断和患者管理.
