在儿童大脑MRI中检测产前酒精暴露的深度学习:一种带有可解释性见解的转移学习方法

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 产前酒精暴露 (PAE) 可以导致终身学习和行为问题.
• 了解PAE对发育中的大脑的影响是复杂的.
• 机器学习 (ML) 和深度学习 (DL) 为研究PAE提供了新的方法.

研究的目的:

• 在儿科大脑MRI扫描中检测PAE时应用DL.
• 通过预训练的简单完全卷积网络 (SFCN) 利用转移学习.
• 要区分暴露和未暴露的2-8岁儿童参与者.

主要方法:

• 员工转移学习使用预训练的SFCN进行特征提取.
• 训练了一个分类器来区分PAE与使用T1加权结构MRI的对照.
• 研究了数据集平衡和增强策略.
• 使用Grad-CAM.执行了可解释性分析.

主要成果:

• 通过平衡的增强数据集,实现了88.47%的灵敏度和85.04%的平均准确度.
• 确定了影响预测的关键大脑区域 (大脑小体,小脑,小体,白质).
• 以有限的儿科数据证明了转移学习的潜力.

结论:

• DL,特别是转移学习,显示出在儿童中检测PAE的巨大潜力.
• 均衡的数据集和可解释性对于儿科神经科学中可靠和可解释的AI模型至关重要.
• 这项研究突出了确定PAE在早期发育中的神经生物学影响的可行方法.