深度学习用于区分多发性硬化症中的活跃和非活跃病变,使用非对比的FLAIR MRI:一项多中心研究

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
• 放射学 放射学是一门学科.

背景情况:

• 区分活跃和非活跃的多发性硬化症 (MS) 病变对于疾病管理至关重要.
• 传统方法使用基于加多的对比剂,造成复杂性和潜在风险.
• 这项研究探讨了使用FLAIRMRI数据的非侵入性深度学习方法.

研究的目的:

• 开发和验证一个深度学习模型,用于区分活跃和不活跃的MS病变,仅使用非对比的FLAIRMRI.
• 评估卷积神经网络 (CNN) 的有效性,并为此任务转移学习.
• 提供一种更容易获得的,更少侵入性的替代方案,以对比度增强的MRI技术.

主要方法:

• 利用了来自四个中心的130名多发性硬化患者的9097张病变图像的数据集.
• 来自FLAIR图像的感兴趣区域 (ROI) 被输入到一个定制的CNN.
• 转移学习与12个预训练的CNN模型和一个合奏技术被用来进行比较.

主要成果:

• 定制的CNN实现了85%的准确性,95%的灵敏性,75%的特异性和0.90.9的AUC.
• 预训练模型ResNet50的准确率为75%,灵敏度为91%,特异性为58%,AUC为0.81.
• 综合评估包括ROC曲线,精度回忆曲线和混矩阵分析.

结论:

• 在FLAIR MRI ROI上训练有素的定制CNN有效地区分了没有对比剂的活跃和不活跃的MS病变.
• 与单一中心研究相比,多中心研究显示出更高的灵敏度和特异性.
• 仅使用FLAIR图像和外部验证的简化方法凸显了该模型的适应性和效率.