多发性硬化症中的大脑年龄:使用深度学习和传统机器学习的研究
Lars Skattebøl1,2, Gro O Nygaard1, Esten H Leonardsen3,4
1Department of Neurology, Oslo University Hospital, Oslo 0450, Norway.
Brain communications
|May 8, 2025
概括
在多发性硬化症中深度学习大脑年龄估计与时间学年龄的相关性比传统的机器学习更强. 这两种人工智能方法都将大脑年龄增加与残疾和疾病持续时间联系起来,深度学习可能会减少扫描器的变化.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 神经退行性疾病 神经退行性疾病
背景情况:
- 多发性硬化症 (MS) 中加速的大脑衰老与残疾相关.
- 人工智能 (AI) 提供了用于量化神经退行症的工具.
- 对MS中大脑年龄的传统机器学习 (ML) 与深度学习 (DL) 的比较数据缺乏.
研究的目的:
- 在多发性硬化症 (MS) 中验证深度学习 (DL) 大脑年龄模型.
- 为了比较DL和传统ML模型来估计MS中的大脑年龄.
- 评估大脑年龄与临床结果和扫描器变异性的关联.
主要方法:
- 对1516名多发性硬化症患者的4584张MRI扫描进行了回顾性分析.
- 简单的DL完全卷积网络与传统的ML模型用于大脑年龄估计的比较.
- 从纵向队列中分析临床和MRI数据,使用统一的后处理管道.
主要成果:
- DL大脑年龄估计与时间年龄 (r=0.90) 的相关性比传统的ML (r=0.75) 更强.
- 通过这两种方法估计的大脑年龄增加与残疾 (EDSS分数) 和疾病持续时间显著相关.
- 与传统的ML相比,DL模型显示扫描器变异性较小.
结论:
- 深度学习衍生的大脑年龄是MS的有效衡量标准,与临床残疾密切相关.
- DL大脑年龄估计的性能与传统的ML相提并论,但可能会改善对扫描器差异的稳定性.
- 人工智能驱动的大脑年龄评估对监测MS中神经退行有希望.
