深度学习模型将多发性硬化与MOG抗体相关疾病区分开来
Rosa Cortese1, Francesco Sforazzini2, Giordano Gentile1,2
1Department of Medicine, Surgery and Neuroscience, University of Siena, Siena, Italy.
Neurology
|September 4, 2025
概括
一个新的深度学习模型和临床/MRI算法准确地区分了与多发性硬化症 (MS) 相关的髓寡蛋白抗体疾病 (MOGAD). 结合这两种方法提高了诊断准确度,有助于区分这些神经疾病.
科学领域:
- 神经学
- 放射学
- 人工智能
背景情况:
- 多发性硬化症 (MS) 是一种常见的成年神经疾病,而髓寡细胞糖蛋白抗体相关疾病 (MOGAD) 是罕见的.
- 区分MOGAD和MS对于适当的治疗至关重要,因为它们的治疗方法有很大不同.
- 之前的机器学习模型显示出有前途, 但需要进一步验证.
研究的目的:
- 验证一个临床/MRI算法来区分MS和MOGAD.
- 为相同的诊断任务开发和评估深度学习 (DL) 模型.
- 通过使用概率注意力图 (PAMs) 评估两种模型的综合性能并确定主要的分化成像特征.
主要方法:
- 一项多中心的回顾性研究,涉及406名MS和MOGAD成年人的MRI扫描.
- 在验证数据集上对先前存在的临床/MRI算法的性能评估.
- 在独立数据集上开发和测试基于ResNet-10卷积神经网络的DL分类器.
- 产生PAM以可视化和量化不同脑区.
主要成果:
- 在验证队列中,临床/MRI算法达到75%的准确性,96%的敏感性和56%的特异性.
- 在验证队列中,DL模型显示了70%的准确性,67%的敏感性和73%的特异性.
- 两种模型的结合结果是准确率为86%,灵敏度为84%,特异性为89%.
- PAM突出显示出不同的病变模式,其中体,前中心,乳头和带状皮质区分MS,而大脑干,海马和副海马则显示出MOGAD.
结论:
- 临床/MRI算法和DL模型都有效区分MS和MOGAD.
- 这些模型具有互补的优势,临床/MRI算法显示出更高的灵敏度,DL模型显示出更高的特异性.
- 这两种方法的结合显著提高了诊断的准确性.
- PAM对MS和MOGAD的不同神经病理模式提供了宝贵的见解,有助于差异诊断.
