面向基于神经成像的诊断支持:采用闭环系统的深度学习方法,用于精神病学分类.

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 精神病诊断 精神病诊断 精神病诊断

背景情况:

• 神经成像为精神疾病提供了洞察力,但在临床翻译方面面临着挑战.
• 目前用于诊断精神疾病的诊断方法可能是主观的.

研究的目的:

• 开发和验证一个深度学习框架,用于使用结构性MRI对多种精神疾病进行分类.
• 评估开发的模型的通用性和现实世界的适用性.
• 将模型整合到诊断支持的临床工作流程中.

主要方法:

• 开发基于补丁的层次网络 (PHN),一个深度学习框架.
• 在一个大数据集 (n=2,490) 上训练PHN,包括四个主要的精神疾病和对照.
• 在独立研究数据集 (n=1,346) 和真实世界的临床数据 (n=344) 上进行验证.

主要成果:

• 在分类精神疾病方面,PHN表现出强的表现.
• 该模型在各种数据集中显示了概括性,包括真实世界的临床数据.
• 该系统成功地反映了复杂的临床表现,如并发症.

结论:

• 基于补丁的层次网络 (PHN) 提供了一个有前途的方法,用于使用结构性MRI进行客观的精神病诊断.
• 将其整合到临床工作流中,是弥合精神病学神经影像学研究与实践之间的差距的重要一步.
• 人工智能驱动的神经成像分析可以为诊断精神疾病的临床医生提供有价值的客观支持.