基于深度学习和核磁共振成像放射学的轻度认知障碍的自动检测

科学领域:

• 神经成像和人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 轻度认知障碍 (MCI) 的早期诊断对于管理阿尔茨海默病 (AD) 的进展至关重要.
• hippocampus 和 parahippocampal gyrus 是受认知衰退影响的关键大脑区域.
• 当前的诊断方法可能耗时,需要专门的解释.

研究的目的:

• 开发和验证基于深度学习和放射学的自动化方法来检测MCI.
• 评估模型在区分MCI患者与健康对照 (HCs) 的诊断性能.
• 利用MRI结构图像用于早期识别认知障碍.

主要方法:

• 利用来自ADNI数据库的115名MCI患者和133名HC患者的3D-T1加权MR结构图像.
• 采用VB-net用于海马和准海马回形的自动识别和细分.
• 应用特征选择技术 (Relief,mRMR,RFE,LASSO) 并培训了五个机器学习分类器 (SVM,RF,LR,BDT,GP) 用于MCI检测.

主要成果:

• 在VB-net成功地细分了海马和副海马环.
• 高斯过程 (GP) 模型,使用15个结合的放射学特征 (11来自海马,4来自副海马环),实现了最高的性能.
• 总理模型的准确性很高,AUC为0.954 (训练组) 和0.866 (测试组),这表明MCI和HC之间存在很强的歧视.

结论:

• 整合深度学习和放射学的全自动化模型可以从传统的MR图像中准确检测MCI.
• 开发的全科医生分类器显示了MCI快速,辅助诊断的巨大潜力.
• 这种方法提供了临床价值,通过在大约一分钟内提供结果,为患有AD风险的患者提供及时干预.