通过人工智能重新定义叶的诊断性损伤状态
Ezequiel Gleichgerrcht1, Erik Kaestner2, Reihaneh Hassanzadeh3,4
1Department of Neurology, Emory University, Atlanta, GA 30329, USA.
Brain : a journal of neurology
|January 22, 2025
概括
人工智能准确地识别了叶 (TLE) 患者的微妙脑缩模式,而人类专家此前没有注意到这一点. 这种人工智能驱动的方法增强了TLE诊断,特别是对MRI阴性病例,改善了患者的护理.
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:
- 很大一部分叶 (TLE) 患者被归类为"MRI负"由于微妙的缩模式无法通过视觉MRI评估检测到.
- 在MRI阴性TLE患者中,这种诊断不确定性导致治疗延迟,并影响患者管理.
- 定量核磁共振和人工智能在检测时和边缘区域中微妙的,特异于TLE的缩模式方面表现有前途.
研究的目的:
- 测试假设,人工智能,特别是3D卷积神经网络 (CNN),可以在MRI扫描中准确检测TLE特异性缩模式.
- 改善TLE中"损伤"模式的检测,特别是在MRI阴性病例中.
- 评估人工智能的性能与支持矢量机 (SVM) 等传统方法相比.
主要方法:
- 在12个中心的1178个MRI扫描中应用了3D CNN,以区分TLE患者与健康对照.
- 性能与使用海马和全脑体积的SVM进行了比较.
- 分析包括一小部分经过手术治疗的患者,持续无,作为TLE确认的黄金标准.
主要成果:
- 3D CNN在区分TLE与控制器方面实现了高精度 (85.9%±2.8%),表现优于SVM.
- 对MRI阴性TLE患者的确诊率为82.7%±0.9%,验证了AI检测微妙缩的能力.
- Saliency 地图突出显示了边缘结构 (中,带膜,轨道前部区域) 作为分类的关键,与已知的 TLE 缩模式一致.
结论:
- 人工智能,特别是3D CNN,可以有效地识别TLE特异性缩模式,即使在人类专家认为MRI阴性的情况下.
- 人工智能辅助诊断有可能显著提高基于神经成像的TLE诊断,并重新定义"损伤性"TLE的概念.
- 这些发现表明,MRI阴性TLE患者属于所有TLE病例共同的缩连续,可以通过先进的AI检测到.
