检测焦点皮质发育不良:人工智能模型的开发和多中心评估

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 的研究研究.

背景情况:

• 焦点皮层发育不良 (FCD) 是耐药性的主要原因之一.
• 在MRI上对FCD的视觉检测可能具有挑战性.
• 现有的用于FCD检测的AI模型主要是基于单中心数据进行评估.

研究的目的:

• 为了比较三个公开可用的AI模型 (MAP18,deepFCD,MELD) 在独立的多中心测试数据上自动检测FCD的性能.
• 训练和评估三种用于FCD检测的新型AI模型.
• 为公众提供新开发的模型.

主要方法:

• 从四个中心回顾收集FCD病例.
• 开发和培训三个新的AI模型 (2D-nnUNet,FastSurferCNN,3D-nnUNet) 使用2D切片,2.5D切片和3D补丁作为输入.
• 评估使用voxel级别的子相似系数 (DSC),集群级别的F1得分,检测率和特异性.

主要成果:

• 3D-nnUNet以0.36的子相似系数 (DSC) 和58.58的F1得分展示了最高的性能.
• deepFCD实现了最高的检测率 (82%),但表现出最低的特异性 (0%).
• MELD在各中心表现一致,检测率在46%至54%之间.

结论:

• 在多中心数据集中的FCD检测模型中存在显著的性能差异.
• 使用3D输入数据的模型表现优于2D模型,这表明FCD检测需要3D信息.
• 3D-nnUNet模型的精度提高,为协助FCD检测提供了一个可行的选择.