一个新的检测和分类框架用于使用变压器和语言诊断大脑微血病
Cong Chen1,2, Lin-Lin Zhao3, Qin Lang2
1School of Clinical Medicine, College of Medicine, Nanjing Medical University, Nanjing 211166, China.
Bioengineering (Basel, Switzerland)
|October 25, 2024
概括
这项研究介绍了MM-UniCMBs,这是一个新的AI框架,用于检测大脑微血病 (CMBs). 它通过结合成像和患者数据来提高诊断的准确性和效率,密切模仿临床工作流程.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 脑微血病 (CMBs) 的检测对于诊断脑小血管疾病至关重要.
- 在敏感度加权成像 (SWI) 中手动检测CMB是具有挑战性的,因为它具有微妙的特征,需要大量的临床专业知识和时间.
- 目前使用卷积神经网络 (CNN) 的自动化方法与临床诊断存在差异.
研究的目的:
- 开发一个新的多式联运检测和分类框架 (MM-UniCMBs) 用于CMB诊断.
- 提高CMB检测和分类的准确性和效率,与临床诊断工作流程保持一致.
- 为了提高CMB诊断的解释性和灵活性.
主要方法:
- 引入了一种轻量级检测模型,CMBs-YOLO,用于在SWI图像中捕获突出的CMB特征.
- 开发了一个创新的语言视觉分类网络,CMBsFormer (CF),将患者的文本数据与成像集成.
- 将这些组件集成到MM-UniCMBs框架中,该框架旨在对临床工作流程进行协调.
主要成果:
- 在CMB分类中,MM-UniCMBs获得了94%的灵敏度.
- 该框架可以在5秒内处理患者的数据.
- 与现有方法相比,表现出更好的性能,具有更大的解释性和灵活性.
结论:
- MM-UniCMBs框架为准确和高效的CMB诊断提供了一个有前途的多式联络方法.
- 这种由人工智能驱动的系统密切模仿临床诊断过程,可能有助于神经病学家.
- 图像和临床数据的整合增强了大脑小血管疾病的诊断能力.
