通过机器学习在患有缺氧缺血脑病的新生儿中实现自动神经预测

科学领域:

• 神经成像和机器学习
• 新生儿神经学 新生儿神经学
• 发育儿科 发育儿科

背景情况:

• 新生儿缺氧缺血性脑病变 (HIE) 对死亡率和长期神经发育障碍构成重大风险.
• 目前用于HIE预后的神经成像 (MRI) 方法是主观的,缺乏准确性.
• 需要对新生儿大脑MRI进行客观和自动化分析,以提高结果预测.

研究的目的:

• 开发一种自动化的MRI分析方法,用于对HIE新生儿的客观预后.
• 与现有的方法相比,提高预测神经发育结果的准确性.
• 整合定量MRI特征与临床数据进行增强的预测建模.

主要方法:

• 从286名接受治疗性低温症的婴儿身上创建解剖MRI模板.
• 从深层灰色物质结构中提取定量形状和放射性测量.
• 使用MRI测量,人口统计/实验室数据,或两者兼而有之的弹性网模型进行训练,以预测18个月的婴幼儿发育Bayley尺度得分.

主要成果:

• 基于MRI的测量显著预测了认知,语言和运动结果的贝利分数.
• 基于MRI的预测显示了更高的相关性,解释了更多的差异,并且比单独的临床数据更小的错误.
• 综合MRI和临床数据提供了类似的或略有改善的预测性能.

结论:

• 结合基于MRI的特征的机器学习模型可以准确地预测HIE新生儿的神经发育结果.
• 这些模型在所有神经发育领域和结果的全谱中都有效.
• 这种自动化方法为HIE预测提供了更客观,更可靠的工具.