使用基于注意力的多实例学习模型诊断和自身免疫脑炎的亚型:一个多中心的F-FDG PET研究18
Yueqian Sun1, Ruizhe Sun2, Jiahua Lv3
1Department of Neurology, Beijing Tiantan Hospital, Capital Medical University, Beijing, China.
CNS neuroscience & therapeutics
|August 4, 2025
概括
使用18F-氧糖 (18F-FDG) PET成像的基于注意力的模型准确地将自身免疫性脑炎 (AE) 患者与对照和AE亚型区分开来. 这个AI工具有助于AE诊断和分类.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 自身免疫性脑炎 (AE) 带来了诊断挑战,需要先进的差异化工具.
- 酸氧葡萄糖 (F-FDG) PET成像为特征AE提供了潜在的可能性.
- 开发人工智能模型可以提高AE诊断和亚型的准确性.
研究的目的:
- 开发一种基于注意力的模型,使用F-FDG PET成像用于AE患者的差异化.
- 使用开发的模型来区分不同的AE亚型.
- 为了比较基于注意力的模型与传统算法的性能.
主要方法:
- 一项多中心回顾性研究包括390名参与者 (222名AE患者,122名健康对照,33名抗体阴性AE,13名病毒脑炎).
- 一个基于注意力的多实例学习 (MIL) 模型被训练并得到外部验证.
- 一个综合成像,年龄和性别的多模模式MIL (m-MIL) 模型与后勤回归和随机森林模型进行了评估.
主要成果:
- m-MIL模型在二进制分类 (AE与对照) 中实现了高准确性:内部84.00%,外部67.38%.
- 对于AE亚型分类,基于MIL的模型达到了95.05%的内部精度和77.97%的外部精度.
- 热图分析显示了NMDAR-AE,LGI1-AE,GABAB-AE和GAD65-AE的不同大脑区域参与模式.
结论:
- m-MIL模型有效地将AE患者与对照患者区分开来.
- 该模型能够准确地划分不同AE亚型的亚型.
- 这种人工智能驱动的方法是AE评估和分类的宝贵诊断工具.
