通过MRI多序深度学习与儿科病毒性脑炎诊断的临床概况进行整合

科学领域:

• 神经学 神经学
• 传染性疾病 传染性疾病
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 儿科病毒性脑炎 (VE) 由于各种症状和传统方法的局限性,存在诊断挑战.
• 准确和早期诊断对于VE的有效临床管理至关重要.
• 先进的神经成像和机器学习为改进的诊断工具提供了潜力.

研究的目的:

• 开发和评估一种新的临床成像融合模型,用于诊断儿科病毒性脑炎 (VE).
• 将临床因素与先进的磁共振成像 (MRI) 深度功能相结合,以提高诊断准确度.
• 评估开发的融合模型的临床实用性和应用价值.

主要方法:

• 使用临床数据和多序MRI (T1,T2,DWI) 对525名儿科患者 (VE与非VE组) 的回顾性分析.
• 后勤回归用于识别与VE相关的独立临床因素.
• 卷积神经网络 (CNN) 用于提取深度MRI特征,其次是 LASSO 用于使用机器学习进行维度缩小和融合模型构建.

主要成果:

• VE的独立临床因素包括发烧,白细胞 (WBC) 计数和C反应蛋白 (CRP) 水平.
• 后勤回归 (LR) 分类器在MRI深度特征方面表现强 (AUC高达0.934).
• 临床成像融合模型实现了高诊断性能 (在训练中AUC高达0.985,在测试中为0.934),与MRI特征单独相比,具有更高的准确性,灵敏度和特异性.

结论:

• 开发的临床成像融合模型证明了儿科病毒性脑炎的显著诊断疗效.
• 将深度MRI功能与临床数据相结合,为早期 VE 诊断提供了一个强大的,非侵入性的工具.
• 这种融合模型对改善儿科神经病学的临床决策具有相当大的前景.