为分类任务分析多尺度功能脑连接组的多通道深度神经网络模型示意图。rsfMRI =静息态功能MRI。图片由北美放射学会提供。
2019年12月11日——深度学习是一种人工智能,可以提升的力量磁共振成像(MRI)在预测注意缺陷多动障碍(注意力缺陷多动症)的研究结果显示放射学:人工智能.研究人员表示,这种方法也可以应用于其他神经系统疾病。
人脑是一组复杂的网络。功能性核磁共振成像是一种通过检测血液流动变化来测量大脑活动的成像技术,它的进步有助于绘制大脑网络内部和之间的连接。这个全面的大脑图谱被称为连接体。
越来越多的人认为,连接体是理解多动症等大脑疾病的关键,这种疾病使人难以集中注意力和控制不安的行为。
根据全国儿童健康调查在美国,2016年约有9.4%的2至17岁(610万)儿童被诊断患有多动症。这种疾病目前还不能通过单一的测试或医学影像学检查对单个儿童进行明确诊断。相反,ADHD的诊断是基于一系列的症状和基于行为的测试。
脑部核磁共振成像在诊断中有潜在的作用,因为研究表明多动症是由连接组的某种类型的破坏或中断引起的。连接体是由磁共振图像上的空间区域构成的,称为碎片。脑碎片可以根据解剖标准、功能标准或两者来定义。大脑可以根据不同的大脑碎片在不同的尺度上进行研究。
先前的研究集中在所谓的单尺度方法上,其中连接组仅基于一个碎片构建。在这项新研究中,来自辛辛那提大学医学院和辛辛那提儿童医院医疗中心采取了更全面的观点。他们开发了一种多尺度方法,使用基于多个分块的多个连接组映射。
为了建立深度学习模型,研究人员使用了来自NeuroBureau adhd - 200数据集。该模型使用了来自该项目973名参与者的多尺度大脑连接组数据,以及相关的个人特征,如性别和智商。
多尺度方法比使用单尺度方法显著提高了ADHD检测性能。
“我们的研究结果强调了大脑连接组的预测能力,”该研究的资深作者说何丽丽博士,由辛辛那提儿童医院医疗中心.“构建的跨越多个尺度的大脑功能连接组为描述整个大脑的网络提供了补充信息。”
通过提高诊断准确性,基于深度学习辅助mri的诊断对于实施ADHD患者的早期干预至关重要。大约5%的美国学龄前儿童和学龄儿童被诊断患有多动症。这些儿童和青少年在学习和建立社会关系方面面临着很高的失败风险,这可能导致家庭经济困难,并给社会造成巨大的负担。
他说,这种方法在多动症之外也有潜力。
“这个模型可以推广到其他神经缺陷,”她说。“我们已经用它来预测早产儿的认知缺陷。我们在婴儿出生后不久就对其进行扫描,以预测两岁时的神经发育结果。”
在未来,研究人员希望看到深度学习模型得到改进,因为它暴露在更大的神经成像数据集上。他们还希望更好地理解由模型确定的与多动症相关的连接体中的特定故障或中断。
欲了解更多信息:www.RadiologyInfo.org