自动深度学习方法用于分析和预测新生儿高 bilirubinemia 在磁共振成像

科学领域:

• 新生儿医学 新生儿医学
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 新生儿高胆红素血症 (NHB) 是新生儿常见的疾病.
• 早期发现和预测NHB对于预防并发症至关重要.
• 磁共振成像 (MRI) 提供了详细的解剖信息,可能与胆红素水平相关.

研究的目的:

• 探索MRI特征与新生儿血清胆红素水平之间的关系.
• 开发和评估一种自动深度学习 (DL) 分类系统,用于使用MRI预测NHB.
• 将拟议DL系统的性能与现有模型进行比较.

主要方法:

• 一项对606名新生儿进行了回顾性研究,这些新生儿的 bilirubin 含量各不相同.
• 用Inception-v3和图形卷积网络 (GCN) 模型预处理和分析MRI图像.
• 为NHB分类开发了一种基于3D补丁的新型GCN,具有图形注意力机制.
• 使用曲线下的面积 (AUC),精度 (ACC),灵敏度 (SEN) 和特异性 (SPE) 来评估性能.

主要成果:

• 随着胆红素水平的增加,DL系统的性能,特别是检测白体中的T1加权信号,随着胆红素水平的增加而改善.
• 拟议的GCN模型实现了NHB预测的AUC为0.86和ACC为0.81,当 bilirubin超过400μmol/L时.
• 这种性能明显超过了使用相同输入数据的其他先进模型 (ACC:72-78.3%).

结论:

• 开发的DL系统显示了自动分析和预测NHB从MRI数据的显著潜力.
• 这种方法可以帮助临床医生早期诊断和管理新生儿高 bilirubinemia.
• 进一步验证和临床整合这种人工智能驱动工具是有必要的.