基于脑CT和深度学习方法识别双极障碍和精神分裂症
Meilin Li1,2, Xingyu Hou3, Wanying Yan4
1Department of Radiology, The First Affiliated Hospital of Shandong First Medical University & Shandong Provincial Qianfoshan Hospital, Jinan, 250000, China.
Journal of imaging informatics in medicine
|September 26, 2024
概括
这项研究开发了一个深度学习模型,DenseMD,使用CT扫描来识别双相情感障碍 (BD) 和精神分裂症 (SZ). 与其他模型相比,DenseMD在区分这些精神疾病方面表现出卓越的准确性.
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 精神病学是一个精神病学.
背景情况:
- 精确诊断精神疾病,如双相情感障碍 (BD) 和精神分裂症 (SZ) 是关键的,因为他们的流行率越来越高.
- 计算机断层扫描 (CT) 与MRI相比具有优势,包括可访问性,成本较低,扫描速度更快,以及对脑成像的更好的患者遵从性.
研究的目的:
- 开发和评估一个深度学习 (DL) 模型,DenseMD,用于识别双相情感障碍 (BD) 和精神分裂症 (SZ),使用传统的大脑CT图像.
- 将DenseMD模型的诊断性能与其他已建立的DL模型进行比较.
主要方法:
- 收集了506名患者 (227名BD,279名SZ) 和179名健康对照 (HC) 的数据集,并将其分为培训和验证数据集 (4:1比率).
- 一个独立的外部测试组包括来自不同医院的65名患者 (35名BD,30名SZ) 和40名HC.
- 采用多实例学习的DenseMD模型被开发并与ResNet-18,ResNeXt-50和DenseNet-121模型进行了基准测试.
主要成果:
- 在内部验证集中,DenseMD的准确度为0.745,超过了ResNet-18 (0.672),ResNeXt-50 (0.664) 和DenseNet-121 (0.679).
- 在外部测试组中,DenseMD表现出更高的性能,准确度为0.724,与ResNet-18 (0.657),ResNeXt-50 (0.638) 和DenseNet-121 (0.676) 相比.
结论:
- 深度学习模型显示出基于脑CT图像识别双相情感障碍和精神分裂症的巨大潜力.
- 与其他评估的经典DL模型相比,DenseMD模型显示了BD和SZ的增强识别能力.
