电脑图学高精度估计婴儿的大脑年龄:在医疗保健中利用先进的机器学习

科学领域:

• 发育神经科学的发展神经科学.
• 计算神经科学是一种神经科学.
• 临床神经生理学 临床神经生理学

背景情况:

• 早期发现异常神经发育对于及时干预至关重要.
• 目前用于婴儿发育的预后工具往往会延迟,依赖于第一年后的认知和行为评估.
• 脑电图 (EEG) 为早期的,非侵入性评估大脑成熟提供了一个有希望的途径.

研究的目的:

• 开发和验证一种机器学习 (ML) 方法,特别是深度学习 (DL) 网络,用于使用婴儿EEG量化大脑年龄差距 (BAG).
• 评估BAG工具在区分典型发育的婴儿与有异常大脑生长 (大脑) 的婴儿方面的有效性.
• 探索基于EEG的BAG与宏头症婴儿后来的认知结果之间的关系.

主要方法:

• 一项使用219名典型发育的婴儿 (3-14个月) 的EEG数据进行的横截面研究.
• 开发传统的ML和新型DL模型,从EEG预测生物年龄.
• 基于DL的BAG工具在患有大脑症的婴儿队列中的验证,将BAG与神经发育评估 (ABAS-II,WPSSI-IV) 相对应.

主要成果:

• 深度学习网络显著优于传统的ML模型,在预测生物年龄时达到1个月的平均绝对误差 (r = 0.82).
• 基于EEG的BAG成功地确定了与典型发育的婴儿相比,大脑症婴儿的群体级成熟延迟 (p=0.009).
• 在巨头症中,在BAG和后来的适应性功能 (ABAS-II,p=0.04) 和信息处理速度 (WPSSI-IV,p=0.006) 之间观察到负相关性.

结论:

• 开发的基于EEG的大脑年龄差距 (BAG) 评分是评估婴儿大脑成熟的可靠,非侵入性标记.
• 深度学习模型有效地捕捉复杂的EEG模式,表明发育轨迹,包括阿尔法节奏的作用.
• 该BAG工具具有显著的潜力,用于早期检测发育偏差,并为发育神经科学中的临床实践提供信息.