相关实验视频
Updated: Jun 25, 2026

A Piglet Model of Neonatal Hypoxic-Ischemic Encephalopathy
Published on: May 16, 2015
人工智能预测新生儿脑病的结果 (AI-OPiNE)
Christopher O Lew1, Evan Calabrese1, Joshua V Chen1
1From the Department of Radiology, Duke University Medical Center, 2301 Erwin Rd, Box 3808, Durham, NC 27710 (C.O.L., E.C, A.L., J.F.); Department of Radiology (J.V.C., F.T., G.C., A.R., Y.L.) and Weill Institute for Neurosciences (Y.W.W.), University of California San Francisco, San Francisco, Calif; Department of Pediatrics, University of Washington, Seattle, Wash (S.J.); Department of Pediatrics, Saint Louis University, St Louis, Mo (A.M.); Mallinckrodt Institute of Radiology, Washington University School of Medicine, St Louis, Mo (R.C.M.); and Children's Hospital Los Angeles, University of Southern California, Los Angeles, Calif (J.L.W.).
这项研究开发了一种使用新生儿大脑MRI的深度学习算法,用于预测患有缺氧缺血性脑病变的婴儿的神经发育结果. 该模型在预测两年后的结果方面表现出高准确性,有助于儿科预后.
科学领域:
- 儿科神经学 儿科神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 缺氧缺血性脑病变 (HIE) 是新生儿脑损伤的主要原因.
- 预测HIE中长期的神经发育结果对于及时干预至关重要.
- 目前的预测方法可能无法完全捕捉与HIE相关的大脑损伤的复杂性.
研究的目的:
- 开发和验证一种深度学习算法,用于预测HIE新生儿2年的神经发育结果.
- 利用多式新生儿大脑MRI (T1w,T2w,DTI) 和基本的临床数据进行预测.
- 评估算法在分布式和分布式外测试集中的性能.
主要方法:
- 在HEAL试验 (NCT02811263) 中,对满期新生儿的MRI数据进行了回顾性分析.
- 训练深度学习分类器 (卷积神经网络) 使用多序MRI和临床变量 (性别,妊娠年龄).
- 使用接收器操作特征曲线 (AUC) 下的面积和在独立测试集上的准确度来评估模型性能.
主要成果:
- 深度学习模型在预测2年死亡或神经发育障碍时实现了0.74 (在分布中) 和0.77 (在分布之外) 的AUC.
- 准确率为63% (在分配中) 和78% (在分配之外).
- 该模型在预测二次结果方面表现相似或更好,仅包括死亡.
结论:
- 新生儿大脑MRI的深度学习分析是一种高性能方法,用于预测HIE的长期神经发育结果.
- 这种人工智能驱动的方法为儿科预后和指导临床管理提供了有前途的工具.
- 这些发现支持在新生儿神经临床护理中使用先进的成像分析.
更多相关视频
07:36Modeling Encephalopathy of Prematurity Using Prenatal Hypoxia-ischemia with Intra-amniotic Lipopolysaccharide in Rats
Published on: November 20, 2015
05:52Early Pathological and Magnetic Resonance Detection of Cerebral Injury Using a Rat Model of Neonatal Hypoxic Ischemic Encephalopathy
Published on: October 28, 2022