深度适应性学习预测和诊断CSVD相关的认知衰退使用T₂-FLAIR的放射学:一个多中心研究

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 大脑小血管疾病 (CSVD) 是认知障碍的常见原因之一.
• 早期发现与CSVD相关的认知障碍 (CSVD-CI) 对于有效的临床管理至关重要.
• 目前的诊断方法可能对早期CSVD-CI缺乏敏感性.

研究的目的:

• 开发和验证基于变压器的深度学习模型来检测CSVD-CI.
• 为了利用白质超强度 (WMH) 放射学特征用于CSVD-CI检测.
• 调查 WMH 关键特征,这些特征有助于 CSVD-CI 检测.

主要方法:

• 使用T2-FLAIR图像的WMH放射学来开发变压器深度学习模型.
• 在三个中心的783个科目中进行培训和外部验证,采用域调整.
• 使用梯度加权类激活映射 (Grad-CAM) 来识别重要的放射性特征.

主要成果:

• 变压器模型实现了高性能,AUC为0.841 (训练) 和0.859/0.749 (验证).
• 该模型在检测CSVD-CI方面表现优于传统的机器学习方法.
• 确定了WMH纹理特征,特别是灰色水平尺寸区域矩阵特征,作为关键贡献者.

结论:

• 通过变压器模型分析的WMH放射特征,为非侵入性CSVD-CI检测提供了可行和自动化的方法.
• 这些放射性特征反映了与CSVD认知障碍相关的生物学变化.
• 开发的工具有可能有助于早期识别和管理CSVD-CI.