基于规则的深度学习方法用于预测新生儿缺氧缺血性脑病的预后,使用易感度加权图像分析
Zhen Tang1, Sasan Mahmoodi2, Di Meng3
1School of Computer Science and Technology, AnHui University of Technology, Maxiang Street, Maanshan, 243032, Anhui, China. zhentang@ahut.edu.cn.
Magma (New York, N.Y.)
|January 22, 2024
概括
一个卷积神经网络模型使用敏感度加权成像 (SWI) 准确地分类新生儿缺氧缺血性脑病变 (HIE). 这种人工智能方法有助于预测患有HIE的婴儿的神经发育结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 新生儿神经病学 新生儿神经病学
背景情况:
- 新生儿缺氧缺血性脑病变 (HIE) 对婴儿神经发育构成重大风险.
- 敏感度加权成像 (SWI) 显示出对HIE预后有希望.
- 准确的预测对于及时干预和改善结果至关重要.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 模型,用于新生儿HIE中的SWI图像的分类.
- 评估模型在24个月大时预测神经发育结果的能力.
主要方法:
- 由于数据集大小有限,采用了使用预训练的ResNet 50模型的转移学习方法.
- 该模型在24个月内对具有正常和异常神经结果的婴儿的SWI数据集进行了微调.
- 整合了一个基于规则的系统,以提高分类性能.
主要成果:
- 在CNN模型实现了0.93±0.09的分类准确度.
- 格拉德-CAM热图确定了关键的大脑区域,有助于对异常神经结果的分类.
- 该模型证明了SWI图像对HIE预后的有效分类.
结论:
- 开发的CNN模型显示了使用SWI的新生儿HIE预后的潜在帮助.
- 通过热图识别关键大脑区域可以阐明缺氧缺血损伤和长期神经发育结果之间的关系.
- 这种人工智能驱动的方法为了解HIE对婴儿大脑发育的影响提供了一种新的方法.
