预测消防员使用多模式深度学习模型的酒精使用障碍风险:一个横截面研究

科学领域:

• 神经成像和计算精神病学
• 职业健康和安全 职业健康和安全
• 深度学习在临床诊断中的应用.

背景情况:

• 由于遭受创伤,消防员面临较高的酒精使用障碍 (AUD) 风险.
• 传统的自我报告查受到耻辱和职业担忧的阻碍,导致报告不足.
• 目标对于这个高风险职业群体,需要AUD风险分层.

研究的目的:

• 开发和验证一个多式联网深度学习框架,用于消防员的客观AUD风险分层.
• 为了提高准确性,将T1加权结构MRI与神经心理评估相结合.
• 为了避免计算密集的功能神经成像协议.

主要方法:

• 一项横截面研究分析了689名现役消防员.
• 使用了结构性MRI和神经心理测试 (嵌的板,步道制作测试).
• 一个深度学习模型结合了ResNet-50,视觉转换器和临床变量,以及可解释性分析.

主要成果:

• 多模式框架实现了79.88%的准确性和79.65%的AUC,显著超过仅临床和仅神经成像模型.
• 跨模式整合使得业绩提高了17.35个百分点.
• 可解释性强调了生物性别和运动协调指标的重要性.

结论:

• 结构神经成像和神经心理评估为高风险职业的AUD查提供了一个务实的,客观的方法.
• 与复杂的协议相比,这种方法减少了采集时间和计算需求.
• 该框架对受创伤影响的人群中精神病风险分层有更广泛的影响.