使用人工神经网络量化神经的异形学
Tareq Abdel-Alim1,2, Franz Tapia Chaca2, Irene M J Mathijssen3
1Department of Neurosurgery, Erasmus Medical Center, Rotterdam, The Netherlands.
Journal of anatomy
|May 18, 2024
概括
本研究引入了一种人工智能模型,以客观地分类骨突症并使用3D头部模型测量严重程度. 新型特征突出度 (FP) 评分与临床严重程度准确相关,有助于诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 头骨突症涉及头骨的过早融合,需要客观的方法来评估头骨形态.
- 目前对骨突症的主观评估缺乏一致性.
- 这项研究解决了对骨突症的定量和客观评估的需求.
研究的目的:
- 开发和验证一种新的,基于人工智能的定量方法,用于分类关突症.
- 引入一个新的指标,特征突出度 (FP) 评分,用于测量骨突症的严重程度.
- 为了将FP得分与现有的临床严重性评估相关联.
主要方法:
- 在合成的3D头部模型上训练了一种人工神经网络,以分类头部形状 (正脑,三角脑,脑).
- 将3D模型转换为低维形状表示,使用AI输入的正常向量分布,确保患者匿名性和不变性.
- 使用可解释的AI方法和新的FP得分来分析形状特征及其临床相关性.
主要成果:
- 人工智能模型在分类形状方面取得了极好的准确性.
- 注意地图突出显示了影响分类的关键区域 (,).
- FP得分显示,脑病例 (ρ=0.83) 和脑病例 (ρ=0.64) 的临床严重性得分与FP得分有很强的正相关性.
结论:
- 这种基于人工智能的方法提供了一个客观的,保护隐私的工具,用于量化形状,独立于年龄或取向.
- FP得分显示了有很大的潜力,以帮助临床决策在骨突评估.
- 该研究的开源代码促进了更广泛的实施,以推进面研究和护理.
