通过基于超超声波的深度学习来预测帕金森病

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 超超声波 (TCS) 是一种成熟的神经成像技术,用于帕金森病 (PD) 诊断.
• 现有的PD诊断方法可以改进,以获得更高的准确性和效率.

研究的目的:

• 开发和评估一种由深度卷积神经网络 (DCNN) 模型增强的新型横声学 (TCS) 技术.
• 评估DCNN模型在使用TCS图像预测帕金森病方面的表现.

主要方法:

• 一项追溯诊断研究使用了来自854名PD患者和775名对照者的1529张TCS图像.
• 四个DCNN模型 (ResNet18,ResNet50,ResNet152,DenseNet121) 在单独的数据集上被开发和训练.
• 使用包括AUROC,准确性,敏感性和特异性在内的指标来评估诊断性能,与传统标准相比.

主要成果:

• 所有开发的DCNN模型都在验证数据集上表现出高的诊断性能,AUROC从0.945到0.953.
• 与传统方法 (82.30%) 相比,DCNN模型在区分PD患者和对照者方面取得了更高的准确性 (86.60%88.04%).
• 五次交叉验证证实了DCNN模型在培训数据集上的稳定性.

结论:

• 开发的基于TCS的DCNN模型显著优于帕金森病的传统诊断标准.
• 这些人工智能驱动的模型提高了超声波仪在诊断PD的准确性,为临床实践提供了宝贵的工具.