可解释的3D CNNs将早期帕金森病MRI中的区域和网络层面的干扰与症状进展联系起来

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 帕金森病 (PD) 诊断依赖于运动症状,需要更早的检测方法.
• T1加权MRI (T1wMRI) 是早期PD诊断的潜在工具,但缺乏已知的生物标志物.
• 早期干预对于管理PD进展至关重要.

研究的目的:

• 开发和验证一个可解释的3D卷积神经网络 (3D CNN) 用于使用T1wMRI早期发现PD.
• 确定与PD相关的区域和网络层面的结构性MRI生物标志物.
• 将人工智能识别的大脑变化与临床运动和认知得分相关联.

主要方法:

• 在100个早期PD和100个控制T1wMRI上训练了一个3D CNN,来自帕金森病进展标记者倡议 (PPMI) 队列.
• 应用可解释性方法来生成区域突出性地图.
• 与临床运动和认知分数相关的突出度图.

主要成果:

• 实现了84.5%的早期PD检测分类准确度.
• 错误分类的受试者主要是早期的,未服用药物的PD患者.
• 区域突出性与皮层下,时和岛屿区域的运动/认知得分相关.
• 突出性模式表明了对功能网络内的网络层面变化的敏感性.

结论:

• 可解释的3DCNN显示出确定早期PD的结构性MRI生物标志物的前途.
• 该模型对特定大脑区域和网络的敏感性表明早期诊断和预后标志物的潜力.
• 与AI相结合的T1wMRI为了解PD病理学提供了一种非侵入性的方法.