通过放射学和深度学习区分有症状和无症状的三角神经:一项针对特异性TN患者和无症状对照组的微观结构研究

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经科学是一个神经科学.

背景情况:

• 轻度神经血管冲突 (NVC) 和三角神经疼痛 (TN) 之间的联系尚不清楚,因为轻度NVC发生在没有面部疼痛的人身上.
• 异常性TN (iTN) 诊断通常依赖于临床表现,缺乏客观生物标志物来区分症状和无症状的神经.

研究的目的:

• 利用人工智能 (AI) 来分析三角神经的微观结构.
• 要区分具有症状的神经在特异性TN (iTN) 患者和无症状的神经在随机1级NVC的控制.

主要方法:

• 从78个有症状的iTN神经和91个无症状的控制神经的MRI图像中提取了378个放射性特征 (等级-1 NVC) 和91个控制 (等级-0 NVC).
• 采用Laplacian-of-Gaussian过器和嵌套交叉验证来进行特征选择和模型优化.
• 使用基于放射学模型 (SDEL,SVM,KNN) 和深度学习模型 (DenseASPP-201,MobileASPPV2) 进行分类的神经.

主要成果:

• 深度学习模型的准确性更高:DenseASPP-201实现了82.0%±8.4%,而MobileASPPV2实现了73.2%±5.59%.
• 放射学模型表现良好:KNN达到了79%±6.55%,SDEL达到了78.8%±7.13%,SVM达到了74.8%±9.2%.
• 人工智能模型成功地将症状与无症状的神经与1级NVC区分开来.

结论:

• 人工智能能有效地区分症状和无症状的三角神经受1级NVC影响.
• 需要进一步的研究来探索导致iTN的血管和非血管因素.
• 人工智能驱动的微结构分析为iTN研究提供了一个潜在的客观工具.