深度学习检测急性和亚急性病变活动从单次时间点常规大脑MRI在多发性硬化症

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 多发性硬化症 (MS) 是一种慢性中枢神经系统炎症性疾病.
• 目前评估急性炎症病变活动的方法依赖于加多增强剂,其检测窗口有限,为3-6周.
• 需要方法来量化最近的急性病变活动在较长的时间内使用传统的MRI.

研究的目的:

• 开发和评估深度学习模型,用于量化多发性硬化症 (MS) 最近的急性病变活动,使用单点时间常规的大脑MRI.
• 评估2D-UNet模型在预测过去24周内急性疾病活动方面的表现.
• 确定开发的模型是否可以改善预测未来的急性病变活动.

主要方法:

• 一个新任务的制定:从传统的大脑MRI中量化最近的急性病变活动 (过去24周).
• 开发和比较多种深度学习 (DL) 方法,包括2D-UNet,变压器和整体方法.
• 在独立的复发性复发性MS队列上使用接收器运行曲线 (AUC) 下面的面积来评估模型性能.

主要成果:

• 一个2D-UNet模型准确地预测患者水平的急性疾病活动,优于变压器和组合方法.
• 2D-UNet在识别急性病变活动 (<6个月) 的受试者时,获得了80-84%的AUC.
• 该模型与加多增强性病变数据的整合显著改善了未来急性病变活动的预测.

结论:

• 深度学习,特别是2D-UNet,可以使用传统的大脑MRI准确量化MS中最近的急性病变活动.
• 与传统的加多增强剂相比,这种方法提供了更全面的疾病活性评估.
• 该模型有可能通过识别具有较高最近炎症活动的个体来优化临床试验中的患者招募.