深度学习断开了连接,以加速和改进对中风后症状的长期预测

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 脑卒中是导致长期残疾的主要原因,需要准确预测神经心理结果.
• 目前用于生成失联体的方法,即绘制中风影响的大脑连接的地图,耗时.
• 个性化预测中风后恢复对于有效的患者管理至关重要.

研究的目的:

• 调查深度学习模型在产生断开连接的有效性,以预测中风后的神经心理结果.
• 与传统方法相比,评估3D U-Net深度学习模型的速度和准确性.
• 在临床预后评估中评估人工智能产生的脱节体的潜力.

主要方法:

• 一个3D U-Net深度学习模型被训练在合成损伤和断开连接的数据上.
• 该模型被应用于真实中风病变数据,产生"深度断开组".
• 使用缩小尺寸 (UMAP) 来创建用于分析的二维形态空间,与119名患者的86个神经心理评分相关,并在20名患者中得到验证.

主要成果:

• 3D U-Net 模型的生成速度比现有的软件快720倍.
• 对于神经心理学的结果,深度断开器的平均预测准确度为85.2% (R2 = 0.208).
• 这种准确性明显超过了传统的断电点方法 (P = 0.009).

结论:

• 深度学习显著加快了断开连接的生成,同时保留了关键信息.
• 由人工智能驱动的断开组映射为预测中风后神经心理缺陷提供了高效和准确的工具.
• 这一进步有望改善中风幸存者的预后评估和临床管理策略.