使用基于休息状态fMRI的3D深度学习和动态功能连接来评估中风患者的功能衰退
Yingying Gao1, Guojun Xu2, Jie Peng1
1The First Hospital of Xinjiang Production and Construction Group, Aksu, Xinjiang, China.
Frontiers in neurology
|December 1, 2025
概括
这项研究开发了一个使用静止状态fMRI的深度学习模型,以自动评估中风患者上肢运动损伤,实现高精度. 这为中风康复的手动评估提供了一个有希望的替代方案.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 卒中经常导致上肢运动障碍,影响患者的康复和生活质量.
- 准确评估上肢运动障碍的严重程度对于指导康复策略至关重要.
- 目前的手动评估可能是主观的,耗时的,需要客观的,自动化的方法.
研究的目的:
- 开发和验证一个自动化的深度学习框架,用于评估中风患者上肢 (UL) 运动障碍的严重程度.
- 为了利用静止状态功能磁共振成像 (rs-fMRI) 和动态功能连接 (dFC) 功能来进行损伤分类.
- 将自动化方法的性能与传统的临床评分方法进行比较.
主要方法:
- 分析了69名中风患者的rs-fMRI数据,以使用ipsilesional初级运动皮质 (M1) 作为种子计算dFC.
- 一个三维卷积神经网络 (3D-CNN) 使用dFC特征进行了训练,用于监督UL运动障碍严重程度的分类.
- 根据UL Fugl-Meyer评估 (UL-FMA) 评分,患者被分为轻度至中度 (UL-FMA > 20) 和严重 (0 ≤ UL-FMA ≤ 20) 损伤组.
主要成果:
- 3D-CNN模型以99.8%±0.2%的平衡精度实现了卓越的分类性能.
- 记录了高特异性 (99.9%±0.2%) 和灵敏性 (99.7%±0.3%),表明了强大的诊断能力.
- 关键的大脑区域,包括角,补充运动区域,丘脑和小脑,被确定为UL运动障碍严重程度的显著相关物.
结论:
- 一个3D深度学习框架利用rs-fMRI的dFC提供了一个高度准确和客观的方法来分类中风幸存者的UL运动损伤.
- 这种自动化方法具有作为一种有价值的辅助或替代人工评估的潜力,例如UL-FMA,特别是在资源有限的临床环境中.
- 这些发现突出了特定大脑网络在中风后运动缺陷严重性中的作用,为有针对性的治疗干预提供了见解.
