早期患有抗NMDA受体脑炎的患者皮层缩:一项机器学习MRI研究,采用各种特征提取

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 针对抗N-甲基-D-酸盐受体脑炎 (NMDARE) 的常规脑部MRI缺乏特异性,造成诊断挑战,特别是在MRI阴性病例中.
• 确定可靠的成像生物标志物对于NMDARE的早期和准确诊断至关重要,特别是当标准MRI发现缺少时.

研究的目的:

• 开发和验证机器学习模型,使用脑MRI的放射学特征来区分NMDARE患者与健康对照 (HC) 和病毒性脑炎 (VE) 病例.
• 描述MRI阴性NMDARE患者的结构变化,并评估基于放射学模型的诊断潜力.

主要方法:

• 使用从NMDARE患者,HC患者和VE患者的大脑MRI扫描中提取的放射学特征来训练和验证支持矢量机 (SVM) 模型.
• 该研究包括109个NMDARE,108个HC和84个VE病例进行培训,以及29个NMDARE,28个HC和26个VE病例进行验证.
• 确定了80个放射性特征,将NMDARE与HC区分开来,并评估了NMDARE与VE模型.

主要成果:

• NMDARE与HC模型实现了高诊断性能,在验证集中,接收器运行特征曲线 (AUC) 下的面积为0.963.
• 与HC相比,NMDARE患者的皮质厚度,面积和体积显著减少,平均曲率增加,主要在额叶和叶.
• 在NMDARE与VE模型中,在验证组中AUC为0.879的诊断实用性得到证明.

结论:

• 脑部MRI的放射学分析可以检测到细微的结构变化,例如广泛的皮质缩,在急性NMDARE患者中,即使最初MRI正常.
• 使用放射学特征的机器学习模型显示出显著的潜力,可以提高MRI阴性NMDARE的诊断准确性,帮助从其他脑中进行差异诊断.