基于人工智能自动大脑细分技术和机器学习方法的自闭症谱系障碍儿童大脑结构异常的定量评估
Xiaowen Xu1, Yang Li1, Ning Ding2
1Department of Radiology, Qingdao University Affiliated Women and Children's Hospital, 6 Tongfu Road, Qingdao, Shandong 266034, China.
Psychiatry research. Neuroimaging
|September 22, 2024
概括
人工智能和机器学习在患有自闭症谱系障碍 (ASD) 的儿童中发现了大脑结构差异. 这些人工智能驱动的方法通过分析结构磁共振成像 (sMRI) 功能来诊断ASD具有前景.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 机器学习 机器学习
- 发育神经科学的发展神经科学.
背景情况:
- 自闭症谱系障碍 (ASD) 是一种复杂的神经发育状况.
- 了解ASD的神经解剖学特征对于诊断和干预至关重要.
- 当前的诊断方法可能是主观的,耗时的.
研究的目的:
- 通过使用人工智能驱动的自动大脑细分来研究ASD中国儿童的大脑结构变异.
- 根据结构磁共振成像 (sMRI) 特性开发和评估用于诊断自闭症的机器学习 (ML) 模型.
主要方法:
- 预计将招收60名患有自闭症儿童和48名典型发育儿童.
- 利用自动化大脑细分来计算来自3D-T1sMRI扫描的标准化大脑结构体积.
- 在ASD和TD组之间比较大脑结构体积,并使用ML算法 (SVM,Adaboost) 进行ASD诊断.
主要成果:
- 与TD组相比,ASD组中观察到多个大脑结构 (例如,轨道前皮层,海马体,胰岛,皮) 的体积显著增加 (P<0.05).
- 支持矢量机 (SVM) 和Adaboost (AB) 算法表现出高的诊断性能,实现曲线下的面积 (AUC) 值分别为0.91和0.92.
- 基于AI的自动细分快速量化了大脑结构体积.
结论:
- 人工智能驱动的自动大脑细分有效地测量了ASD和TD儿童的大脑结构体积.
- 自闭症与大脑结构体的广泛异常有关.
- ML算法,当与sMRI功能相结合时,显示出准确的ASD诊断的强大潜力.
