脑后的关联使用多对比全脑MRI:一个大型自我监督的视觉基础模型战略模型

科学领域:

• 人工智能在医学中的应用
• 神经成像分析分析 神经成像分析
• 机器学习用于医疗保健

背景情况:

• 脑后 (PEE) 是脑炎后的一种严重的神经并发症.
• 早期识别高风险个体对于及时干预和改善患者结果至关重要.

研究的目的:

• 使用多对比头部MRI扫描开发一个大型自我监督的视觉基础模型.
• 将该模型与患者数据微调,以创建用于预测风险的PEE关联模型.

主要方法:

• 利用了来自34,871名患者的57,621个对比增强头部MRI扫描的回顾性数据集,用于基础模型的构建.
• 开发了一个PEE关联模型,使用来自144名脑炎患者的MRI数据 (64名PEE,80名N-PEE).
• 雇员自主监督学习和交叉对比语境恢复用于模型开发.

主要成果:

• PEE关联模型实现了81.0%的AUC (95%CI:0.68-0.92),表现优于DenseNet.
• 与没有预训练体重的模型相比,AUC显著改善 (Delong测试,P=0.03).
• 闭塞敏感度映射确定了与PEE相关的关键大脑区域,包括叶和额叶.

结论:

• 自主监督学习有效地解决了监督任务中的数据限制.
• 微调的基础模型在评估脑炎后风险方面表现出卓越的表现.
• 这种AI模型可以帮助早期风险评估,使脑炎患者能够及时进行干预.