帕金森病的基于自动超超声波分类使用新型双通道CNXV2-DANet

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 超图 (TCS) 通过黑色物质的超声原性来评估帕金森病 (PD).
• 目前的TCS方法是主观的,资源密集的,限制了广泛使用.
• 需要人工智能驱动的工具来改进基于TCS的PD分类.

研究的目的:

• 开发和评估一种新型的人工智能驱动的工具,用于使用超声学对帕金森病进行分类.
• 调查双通道输入方法的有效性,以提高诊断准确度.
• 将拟议模型的性能与最新的深度学习网络进行比较.

主要方法:

• 使用了来自588名受试者的1176张TCS图像的大队列.
• 为PD分类开发了一种新的双通道卷积神经网络 (CNXV2-DANet).
• 模型的性能在一个独立的测试组上使用准确度,精度,回忆,F1得分和AUC来评估.

主要成果:

• 与单通道输入相比,双通道CNXV2-DANet实现了更高的性能.
• 双通道的CNXV2-DANet显示了比单通道版本更高的精度 (0.839 ± 0.028) 和AUC (0.906 ± 0.013).
• 拟议的双通道CNXV2-DANet的性能优于其他最先进的网络 (p < 0.001).

结论:

• 双通道CNXV2-DANet为基于TCS的帕金森病评估提供了一个有希望的AI授权解决方案.
• 这种人工智能工具有可能克服传统主观TCS方法的局限性.
• 进一步的研究和验证可能会导致一种广泛适用于PD诊断的工具.