由人工智能驱动的临床决策支持系统,用于自动化从胎儿大脑MRI中进行腹腔大症分类

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 神经发育障碍 神经发育障碍

背景情况:

• 胎儿心室巨变 (VM) 涉及胎儿大脑心室的扩大,往往导致发育问题.
• 胎儿大脑MRI的手动细分和分类是劳动密集型的,需要专门的专业知识.
• 准确高效的诊断工具对于对胎儿大脑异常的及时干预至关重要.

研究的目的:

• 开发用于胎儿大脑心室细分和VM严重程度分类的自动化管道.
• 通过深度学习,提高胎儿心室壮病诊断的效率和准确性.
• 为人工智能驱动的诊断支持提供可解释的临床推理.

主要方法:

• 采用了自适应切片选择策略,从3D卷中识别出最有信息的2DMRI切片.
• 深度学习模型被用于细分侧腔室和深灰色物质,估计心室宽度,并对VM严重程度进行分类.
• 一个可解释性模块集成了MRI切片,细分口罩,并预测了临床解释的严重程度.

主要成果:

• 自动化系统实现了高细分性能,二维模型的Dice得分为89%,三维模型的Dice得分为87.5%.
• VM严重性分类网络表现出强的表现,准确率为86%,F1得分为0.84.
• 决策支持系统为VM分析提供了可靠和可解释的结果.

结论:

• 开发的自动化管道为胎儿腹腔大分析提供了强大而高效的解决方案.
• 这种人工智能驱动的方法可以显著帮助临床医生在早期发现和管理胎儿大脑异常.
• 可解释性的整合增强了神经成像中自动诊断系统的信任和临床实用性.