在没有规范性参考数据库的情况下,基于人工智能的单个对象形态测量的临床验证
Dennis M Hedderich1, Roland Opfer2, Julia Krüger2
1Department of Neuroradiology, Klinikum rechts der Isar, School of Medicine and Health, Technical University of Munich, Munich, Germany.
Journal of Alzheimer's disease : JAD
|January 13, 2025
概括
基于卷积神经网络的基于声素的形态学 (CNN-VBM) 对检测与神经退行相关的大脑缩的灵敏度高于传统的VBM. 这种先进的方法在不损害特异性的情况下提供了临床上有用的准确性,有助于诊断神经退行性疾病.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 放射学 放射学是一门学科.
背景情况:
- 基于voxel的形态测量 (VBM) 在结构MRI中检测大脑缩,用于神经退行性疾病的诊断.
- 传统的VBM对MRI扫描仪的变化和采集参数敏感.
- 开发了一种基于卷积神经网络的新型VBM (CNN-VBM),独立于规范参考数据库.
研究的目的:
- 为了临床验证基于CNN的VBM的性能.
- 在疑似神经退行性疾病的患者中,将CNN-VBM与常规VBM进行比较.
主要方法:
- 在227名疑似患有神经退行性疾病的患者中,CNN-VBM与传统VBM进行了评估.
- 两个读者对VBM地图进行视觉评估,以检测疾病和区分缩模式 (例如阿尔茨海默病).
- 同时获得的18F-氧葡萄糖正子发射断层扫描 (FDG-PET) 作为参考标准.
主要成果:
- CNN-VBM显著影响了神经退行性疾病的视觉检测 (p < 0.001).
- 与传统VBM相比,CNN-VBM实现了更高的平衡精度 (80.4%与75.7%相比),灵敏度 (86.3%与79.5%) 和特异性 (74.5%与71.8%相比).
- 两种VBM方法之间在区分阿尔茨海默病典型的缩模式方面没有发现显著差异 (p = 0.871).
结论:
- 基于CNN的VBM为检测神经退行症可疑缩提供了临床相关的准确性.
- 与使用混合扫描仪规范数据库的传统VBM相比,CNN-VBM显示出更高的灵敏度.
- 基于CNN的方法保持了特异性,为神经成像分析提供了强大的替代方案.
