P253 下一代表型化通过计算大脑MRI分析促进了在罕见疾病中识别结构性大脑形
Tzung-Chien Hsieh1, Shriya Jaddu2, Hannah Weiland1
1Institute for Genomic Statistics and Bioinformatics, University Hospital of Bonn, Bonn, Germany.
Genetics in medicine open
|April 7, 2025
概括
下一代表型化 (NGP) 使用大脑MRI扫描的深度学习来识别罕见的形和疾病. 这种方法有助于临床医生诊断诸如丹迪-沃克形和奥格登综合征等疾病.
科学领域:
- 神经成像是一种神经成像.
- 医学诊断 医学诊断 医学诊断
- 遗传学 是一个遗传学.
背景情况:
- 罕见疾病往往伴有结构性大脑形,这给临床医生带来了诊断挑战.
- 识别一个人的身份
- 大脑的格斯塔尔特形态
- 罕见疾病的治疗需要专门的专业知识,在新鲜或不常见的病例中可能很困难.
- 下一代表型 (NGP) 已经在识别面部异形模式方面取得了成功,并且可以适应用于大脑MRI分析.
研究的目的:
- 开发和验证基于深度学习的NGP方法,用于检测结构性大脑形和相关的罕见疾病.
- 通过识别脑MRI数据中的模式,为临床医生提供诊断支持.
- 为了使大脑形检测能够整合到变异优先级管道中.
主要方法:
- 策划了一个数据集,包括413个脑部MRI图像,涵盖56种疾病,存储在GestaltMatcher数据库 (GMDB).
- 应用转移学习使用ResNet-50,在快速MRI数据集上进行预训练,将MRI编码为高维特征向量,创建临床大脑表型空间 (CBPS).
- 在CBPS中利用特征空间距离来测量相关疾病的概率,通过额外的数据集对儿科大脑的重点进行细化.
主要成果:
- 成功地将丹迪-沃克形和奥格登综合征与健康对照区分开来,使用CBPS中的leave-one-out交叉验证.
- 使用t-SNE进行可视化,患有丹迪-沃克形的患者形成了一个独特的群体,奥格登综合征患者与对照患者明显分离.
- 验证了CBPS在罕见脑形中表型聚类和疾病预测方面的潜力.
结论:
- 证明了应用NGP在罕见疾病中识别结构性大脑形的可行性.
- 突出了将这种方法扩展到更广泛的遗传疾病谱的潜力,并进行了持续的数据策划.
- 设想扩大NGP方法,涵盖数百种疾病,推进全球诊断和了解罕见疾病.
