基于深度学习的大脑年龄预测使用MRI来识别患有脑室膜巨的胎儿

科学领域:

• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能
• 胎儿医学和神经发育

背景情况:

• 胎儿腹腔巨变 (VM) 和中枢神经系统 (CNS) 异常是神经发育风险的关键指标.
• 深度学习模型在分析胎儿大脑MRI以进行早期检测方面表现有前途.
• 准确评估VM严重程度和相关异常对于临床管理至关重要.

研究的目的:

• 评估基于深度学习的胎儿大脑年龄预测模型,用于诊断VM.
• 评估模型在有VM和没有VM的胎儿之间区分的能力.
• 确定模型是否能够识别VM严重程度和相关的中枢神经系统异常.

主要方法:

• 使用2D单通道卷积神经网络 (CNN) 进行胎儿大脑年龄预测.
• 在VM和典型胎儿之间比较预测年龄差异 (PAD) 和绝对PAD (AAD).
• 根据VM严重程度和中枢神经系统异常,在子组中分析了PAD和AAD.

主要成果:

• 与典型发育的胎儿相比,VM胎儿的AAD显著更大 (P < .001).
• 严重的VM病例显示AAD大于中度VM病例 (P = .004).
• 患有VM和中枢神经系统异常的胎儿比患有孤立VM的胎儿有较低的PAD (P = .005).

结论:

• 基于深度学习的胎儿大脑年龄预测有效地识别了胎儿VM.
• 该模型在检测VM严重程度和相关的中枢神经系统异常方面证明了临床实用性.
• 这种人工智能方法有助于改善对胎儿神经发育风险的评估.