基于人工智能的量化与基于人工智能的比较分析. 在MESA队列中扩大周血管空间的视觉评分
Morgan F Torres1, Sokratis Charisis1, Tanweer Rashid1
1From the Neuroimage Analytics Laboratory (NAL) and the Biggs Institute Neuroimaging Core (BINC), Glenn Biggs Institute for Alzheimer's & Neurodegenerative Diseases (M.F.T., S.C., T.R., S.R.B., S.S., M.H.), and the Department of Neurology (S.C., S.S.), University of Texas Health Science Center at San Antonio, San Antonio, TX, USA; the Department of Radiology (K.D.H., C.T.W.), and the Department of Internal Medicine (J.E.T., T.M.H.), Wake Forest School of Medicine, Winston-Salem, NC, USA; the Department of Radiology (J.B.W., I.M.N., C.D.) and the Center for Biomedical Image Computing and Analytics (I.M.N., C.D.), Perelman School of Medicine, University of Pennsylvania, Philadelphia, PA, USA; the Department of Neurology (R.R.), School of Medicine, Boston University, Boston, MA, USA; the Vanderbilt Memory and Alzheimer's Center (T.H.), Vanderbilt University Medical Center, Nashville, TN, USA; and the Department of Epidemiology and Cardiovascular Health Research Unit (S.R.H.), University of Washington, Seattle, WA, USA.
基于人工智能 (AI) 的扩大周血管空间 (PVS) 的量化比视觉评级更敏感,用于检测与血管风险因素和认知衰退的关联. 这种人工智能方法可以推进对PVS的大规模流行病学研究.
科学领域:
- 神经成像是一种神经成像.
- 脑血管健康 脑血管健康
- 人工智能在医学中的应用
背景情况:
- 扩大周血管空间 (PVS) 在大脑中很常见,但它们的量化具有挑战性.
- 目前关于PVS的研究受到缺乏高效和可扩展的量化工具的限制.
- 了解PVS与血管风险因素和认知的关联对于小血管疾病研究至关重要.
研究的目的:
- 将视觉评级与基于人工智能的PVS量化进行比较.
- 确定PVS与血管风险因素和认知表现的关联.
- 在大规模研究中评估基于AI的PVS量化的实用性.
主要方法:
- 对来自多民族动脉样硬化研究 (MESA) 的235名参与者的横截面研究,用脑部MRI.
- 专家神经放射学家对视觉PVS评级与全自动深度学习AI量化.
- 分析的PVS计数在基底,前双大脑,中脑和小脑中.
- 顺序逻辑和线性回归模型用于检查与人口统计,血管风险因素和认知得分的关联.
主要成果:
- 人工智能衍生的PVS计数显示与年龄较大,白人种族/种族,高静脉压,糖尿病和较差的认知表现 (全球,记忆,注意力/处理速度) 有关.
- 视觉评分也与老年和白人种族/种族有关,但缺乏与其他血管风险因素和认知领域的关联.
- 基于人工智能的量化揭示了视觉评级无法检测到的额外的重要关联.
结论:
- 在检测与血管风险因素和认知结果的关联方面,人工智能衍生的PVS量化比视觉评级更为敏感.
- 基于人工智能的方法为分析PVS在大型流行病学数据集中提供了可扩展和高效的方法.
- 这一进展可以大大有助于理解PVS在脑血管健康和疾病中的作用.


