基于MRI的预测,用于正常压力水脑症的静脉位放置后临床改善:开发和评估一个集成的多序列机器学习算法
Owen P Leary1, Zhusi Zhong2,3, Lulu Bi2
1From the Department of Neurosurgery (O.P.L., K.M., S.S., K.S., P.M.K.), Brown University Warren Alpert Medical School, Providence, Rhode Island owen_leary@brown.edu.
AJNR. American journal of neuroradiology
|June 12, 2024
概括
使用MRI扫描的AI模型可以预测正常压力脑症 (NPH) 患者在分流手术后是否会改善. 结合T2加权和FLAIR序列,为步态和整体功能提供了最好的预测.
科学领域:
- 神经学 神经学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 正常的压力脑症 (NPH) 症状可能很难用分流来治疗.
- 预测个体患者对分流的反应是困难的.
- 需要新的方法来预测分流治疗的结果.
研究的目的:
- 用MRI扫描来评估人工智能 (AI) 方法.
- 为了预测正常压力脑症 (NPH) 患者在分流装置安置后的症状改善.
- 评估人工智能在预测转移后恢复方面的有效性.
主要方法:
- 对NPH患者进行回顾性分析,这些患者在转移前进行了MRI扫描.
- 使用T2加权和FLAIRMRI序列开发3D深度残余神经网络.
- 在内部和外部数据集上对人工智能模型的验证,以提高预测准确度.
主要成果:
- 结合T2加权和FLAIRMRI序列,可以更好地预测mRS和步态改善 (AUROC 0.7395和0.8816).
- 人工智能模型对失禁和认知的表现与仅使用FLAIR的序列相比.
- 人工智能方法展示了强大的预测能力,用于转移后的结果.
结论:
- 一个集成T2加权和FLAIRMRI序列的AI算法提供了最佳预测NPH中术后症状改善的最佳预测.
- 组合序列方法对于预测步态和整体功能恢复 (mRS) 特别有效.
- 这种人工智能驱动的方法增强了个性化NPH治疗策略的能力.
