使用基于电脑图的深度学习方法来协助诊断椎脊髓炎

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 椎脊髓炎 (CSM) 是一种严重的椎脊髓病.
• 早期诊断CSM是具有挑战性的现有临床工具.

研究的目的:

• 为早期诊断CSM开发一个端到端的深度学习方法.
• 使用EEG数据评估CNN-LSTM和CNN-BiLSTM注意力模型的性能.

主要方法:

• 在CSM患者和年龄相匹配的健康对照中进行了EEG实验.
• 使用卷积神经网络与长期短期记忆网络 (CNN-LSTM) 和CNN与双向长期短期记忆网络和注意力 (CNN-BiLSTM-注意力) 的模型.
• 模型接受了焦点损失的训练,并使用交叉验证进行了评估.

主要成果:

• 该CNN-LSTM模型在将患者与正常受试者 (40个受试者) 相比分类时实现了92.5%的准确性.
• 该CNN-BiLSTM注意力模型在分类常规,轻度和严重的CSM (36名受试者) 中获得了72.2%的准确性.
• 提出的深度学习模型的性能优于传统的EEG解码方法.

结论:

• 开发的深度学习方法为CSM提供了有效的计算机辅助诊断.
• 这种方法消除了手动EEG特征提取的需要.
• 该方法显示了未来脊髓类型CSM辅助诊断的潜力.