使用临床多对比脑MRI自动识别帕金森症:一个大型自我监督的视觉基础模型战略模型
Xueling Suo1, Mengyao Chen1, Li Chen1
1Department of Radiology, Institution of Radiology and Medical Imaging, West China Hospital of Sichuan University, Chengdu, 610041, Sichuan, China; Functional and Molecular Imaging Key Laboratory of Sichuan Province, West China Hospital of Sichuan University, Chengdu, 610041, Sichuan, China; Research Unit of Psychoradiology, Chinese Academy of Medical Sciences, Chengdu, 610041, Sichuan, China.
一个新的AI模型,SwinClassifier,使用常规的MRI扫描,准确地区分帕金森病 (PD) 和帕金森加综合征 (PPS). 这种非侵入性方法对早期诊断和改善患者的治疗结果充满希望.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 生物标志物发现发现
背景情况:
- 对于区分帕金森病 (PD) 和帕金森加综合征 (PPS) 的非侵入性生物标志物至关重要.
- 目前的诊断方法可能具有侵入性或缺乏特异性,突出显示了对先进诊断工具的需求.
研究的目的:
- 开发和验证一个高效,实用的AI模型 (SwinClassifier) 用于使用常规的临床MRI扫描来区分PD和PPS.
- 为了提高分类准确性,利用自主监督视觉基础模型 (Swin UNETR).
主要方法:
- 在75,861个多对比头部MRI扫描上预训练一个基础模型,使用自主监督学习.
- 在1992年PD和1989年PPS参与者的数据集上微调PD与PPS分类的模型.
- 将SwinClassifier的性能与凡尼拉视觉变压器 (ViTClassifier) 和卷积神经网络 (DenseNet121,ResNet50) 的性能进行比较.
主要成果:
- 在独立的测试组中,SwinClassifier在PD与PPS区分方面取得了高性能 (F1得分为0.83,AUC为0.89).
- 自主监督的SwinClassifier表现优于从头开始训练的其他模型.
- 闭塞敏感性映射确定了关键的大脑区域,包括感觉运动和中线结构,对于歧视至关重要.
结论:
- 开发的自我监督的人工智能模型使用常规的临床MRI有效地将PD与PPS区分开来.
- 这种非侵入性方法表明了早期和准确诊断这些神经疾病的潜力.
- 进一步的改进可能会使这种方法成为临床实践中一个有价值的诊断工具.
更多相关视频
14:27Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
Published on: June 26, 2013
07:26Characterizing the Relationship Between Eye Movement Parameters and Cognitive Functions in Non-demented Parkinson's Disease Patients with Eye Tracking
Published on: September 26, 2019