扩散通道生物标志物用于治疗耐药儿童的严重程度
Jeong-Won Jeong1,2,3,4, Min-Hee Lee1,2, Hiroshi Uda1
1Department of Pediatrics, Wayne State University, Detroit, Michigan, USA.
Annals of clinical and translational neurology
|October 9, 2025
概括
一个新的深度学习模型准确地预测了儿科耐药性 (DRE) 患者的严重程度. 这种工具有助于识别神经认知障碍,使得及时干预能够获得更好的结果.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 儿科耐药性 (DRE) 通常与神经认知障碍同时发生.
- 准确评估的严重程度对于预测这些障碍至关重要.
研究的目的:
- 开发一种使用扩散加权成像 (DWI) 路谱的深度学习模型,以预测的严重程度.
- 评估模型在儿科DRE中选神经认知障碍的能力.
主要方法:
- 构建了一个重度网络 (ESN),与DRE儿童的临床GASE得分相关联.
- 使用扩展深卷积神经网络与关系网络 (扩展DCNN+RN) 来生成预测的GASE得分生物标志物.
- 验证了单独开发和独立测试集的模型,包括一个随机得分学习实验来评估过拟合.
主要成果:
- 扩展DCNN+RN模型与临床GASE得分达到了高相关性 (r=0.92发展,r=0.83测试).
- 该模型展示了最小的过,超过了最先进的方法.
- 与临床GASE得分相比,预测的GASE得分显示出优越的模型适合性和区分能力.
结论:
- 开发的深度学习生物标志物显示了早期识别儿科DRE中神经认知障碍风险的显著潜力.
- 这种工具可以促进及时,个性化干预,以减轻DRE的长期影响.
