使用深度学习对痴呆症患者的按摩器和舌头肌肉进行自动定量测量:横截面研究

科学领域:

• 医疗成像中的人工智能
• 为医疗保健提供深度学习.
• 神经成像和肌肉健康

背景情况:

• 标志着肌肉质量和力量损失的萨尔科佩尼亚,在老年人中增加了不良结果和认知衰退的风险.
• 准确量化肌肉质量和预测不良结果,特别是在痴呆症患者中,仍然具有挑战性.
• 神经认知障碍与风险增加有关,强调了早期发现和干预策略的必要性.

研究的目的:

• 评估深度学习的可行性,以便在神经认知障碍患者中使用MRI对头部肌肉骨组织进行细分和定量.
• 通过先进的成像分析,使具有神经认知障碍的个体能够自动检测肉类症.
• 探索AI在识别肌肉损失与认知健康相关的早期标记物的潜力.

主要方法:

• 进行了涉及53名参与者的横截面分析.
• 七个类似于U-Net的深度学习模型被用来在头部MRI扫描中对五种不同的组织类型进行细分.
• 量化评估使用了Dice相似系数和平均对称表面距离,以及BMI和肌肉/脂肪体积的分析.

主要成果:

• 深度学习框架在量化按摩器和皮下脂肪 (左/右侧) 和舌头肌肉方面取得了很高的准确性,平均Dice相似系数为92.4%.
• 在舌头肌肉面积/体积,左肌肉和身体质量指数 (BMI) 之间发现了显著的相关性.
• 这项研究成功地证明了人工智能能够测量与肉症评估相关的特定肌肉群的能力.

结论:

• 深度学习模型显示,在患有神经认知障碍的患者中,从头部MRI中准确量化肌肉体积的显著前景.
• 这项研究代表了向开发临床适用的AI和深度学习工具来评估皮症的关键初步步骤.
• 开发的方法可能有助于估计肌肉质量和预测这种脆弱患者群体的不良结果.