时间依赖的深度学习预测多发性硬化症残疾
John D Mayfield1, Ryan Murtagh2, John Ciotti3
1USF Health Department of Radiology, 2 Tampa General Circle, STC 6103, Tampa, FL, 33612, USA. jdmayfield@usf.edu.
Journal of imaging informatics in medicine
|June 13, 2024
概括
深度学习模型可以使用纵向MRI数据预测多发性硬化症 (MS) 的残疾进展. 视频视觉变压器 (ViViT) 在基于延长残疾严重程度得分 (EDSS) 的长期患者预测结果方面表现有希望.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 神经学 神经学
背景情况:
- 当前的深度学习模型通常分析单个时间点,与与随时间变化相关联的临床实践不同.
- 多发性硬化症 (MS) 研究一直专注于病变细分,对长期残疾进展的分析有限.
- 纵向分析对于了解疾病轨迹和告知患者管理至关重要.
研究的目的:
- 提出和评估时间依赖的深度学习模型,用于预测MS的长期残疾.
- 为了对视频视觉转换器 (ViViT) 与卷积神经网络长期短期记忆 (CNN-LSTM) 和视觉转换器-LSTM (ViT-LSTM) 架构进行比较.
- 评估模型使用扩展残疾严重程度评分 (EDSS) 预测残疾进展的能力.
主要方法:
- 使用了703名患有椎脊椎MRI (2002-2023) 的患者队列.
- 视频视觉变压器 (ViViT) 与基于VGG-16的CNN-LSTM和ViT-LSTM进行了比较.
- 进行了废弃分析,以确定模型性能的时间依赖性.
主要成果:
- 在6年内预测三元EDSS时,ViViT的AUC (0.84) 比VGG16-LSTM (0.74) 高 (p < 0.001).
- 在分析较短的持续时间 (2年MRI数据) 时,VGG16-LSTM的表现优于ViViT.
- 准确的EDSS分类 (回归或分类) 总体上产生了更差的表现.
结论:
- 时间依赖的深度学习模型可以有效地预测MS残疾使用三元分层,反映临床评估.
- 模型架构的选择可能取决于可用的纵向数据持续时间.
- 需要在外部队列和临床试验中进一步验证以证实这些发现.
