一个多模式的深度学习网络,用于对多发性硬化症中的偏磁边缘和回髓化病变的分类
Federico Spagnolo1, Pedro M Gordaliza2, Aarushi Bhardwaj3
1Translational Imaging in Neurology (ThINK) Basel, Department of Biomedical Engineering, Faculty of Medicine, University Hospital Basel and University of Basel, Basel, Switzerland; Department of Neurology, University Hospital Basel, Basel, Switzerland Research Center for Clinical Neuroimmunology and Neuroscience Basel (RC2NB), University Hospital Basel and University of Basel, Basel, Switzerland; MedGIFT, Institute of Informatics, School of Management, HES-SO Valais-Wallis University of Applied Sciences and Arts Western Switzerland, Sierre, Switzerland.
Multiple sclerosis (Houndmills, Basingstoke, England)
|March 7, 2026
概括
这项研究开发了一种深度学习模型,用于使用MRI对多发性硬化症 (MS) 中的偏磁边缘病变 (PRL) 和复髓化病变的自动分类. 该模型显示高精度,有助于诊断和个性化治疗MS患者.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 偏磁边缘病变 (PRLs) 是多发性硬化症 (MS) 诊断和进展的关键指标.
- 准确分类不同类型的病变,包括复髓化病变,对于了解MS至关重要.
- 目前的手动分类方法耗时且主观.
研究的目的:
- 开发和验证一个强大的PRL和复髓化病变的自动分类系统.
- 利用深度学习模型与定量MRI技术来提高病变的特征.
- 评估不同神经网络配置的性能,用于MS患者的病变分类 (pwMS).
主要方法:
- 预期研究 (2018-2022) 涉及180 pwMS与3T 3D脑MRI扫描.
- 获取流体减弱的反转回收,MP2RAGE和T2*加权的回声平面成像.
- 生成定量易感性映射 (QSM) 和过阶段未包装 (PU) 图像用于分析.
- 使用嵌套交叉验证对PRL和多重损伤表型 (MLP) 分类进行三种神经网络配置的评估.
主要成果:
- 在MP2RAGE-QSM配置中,PRL分类的平均验证F1得分为0.737.
- 在模型在MLP.上训练时,PRL分类的最佳测试性能达到0.709的F1得分.
- 基于QSM的MLP分类显示,宏观F1测试得分为0.728.
结论:
- 深度学习模型可以高精度地自动对PRL和QSM病变表型进行分类.
- 自动分类可以帮助检测PRL,支持MS的新诊断标准.
- 这项技术有可能引导pwMS的个性化治疗决策.
