在患有白质过强度的患者中自动检测认知障碍,使用深度学习和放射学
Junbang Feng1, Xingyan Le1, Li Li2
1Medical Imaging Department, Chongqing Emergency Medical Center, Chongqing University Central Hospital, School of Medicine, Chongqing University, Chongqing, China.
American journal of Alzheimer's disease and other dementias
|March 14, 2025
概括
一个新的随机森林模型准确地检测了白质超强度 (WMH) 患者的认知障碍. 该工具使用脑成像中的放射性特征帮助早期诊断,在外部验证中达到0.900 AUC.
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 认知神经学 认知神经学
背景情况:
- 白质过强度 (WMH) 是一种常见的神经成像发现,与认知衰退有关.
- 在WMH患者中早期和准确地检测认知障碍对于及时干预至关重要.
- 现有的诊断方法可能缺乏对与WMH相关的微妙认知变化的敏感性.
研究的目的:
- 开发和验证用于早期检测WMH患者认知障碍的机器学习模型.
- 为了利用深度学习进行WMH细分和放射性特征提取.
- 用内部和外部验证数据集来评估模型的性能.
主要方法:
- 利用VB-Nets,一个深度学习卷积神经网络,用于全脑子区域和WMH的自动细分.
- 使用PyRadiomics包从WMH和双边海马中提取放射性特征.
- 开发了一个随机森林模型,将这些放射性特征集成用于认知障碍检测.
- 验证了独立培训,内部验证和外部验证队伍的模型.
主要成果:
- 结合放射性特征的随机森林模型在检测认知障碍方面表现出卓越的性能.
- 该模型在外部验证集中实现了0.900的曲线下面面积 (AUC),表明了高诊断精度.
- 自动细分和特征提取为预测模型提供了强大的数据.
结论:
- 一个新的随机森林模型,利用WMH和海马的放射性特征,为WMH患者的早期认知障碍诊断提供了可靠的工具.
- 基于深度学习的图像分析和机器学习在改善神经疾病的诊断能力方面显示出重大前景.
- 这种方法可以帮助临床医生识别有风险的个体,促进及时管理,并可能改善患者的治疗结果.
