INVEST RADIO:一种使用MRI预测多发性硬化症疾病进展的深度学习方法
2022-07-13 shaosai MedSci原创
人工智能,特别是深度学习方法已经迅速成为流行的数学模型。
多发性硬化症(MS)是一种慢性炎症性、脱髓鞘和神经退行性疾病,在大多数情况下导致严重和不可逆转的临床残疾。磁共振成像(MRI)是诊断和监测多发性硬化症疾病过程和治疗的主要影像学工具之一。在出现后遗症前预测多发性硬化症的疾病进展,对及时进行个性化治疗非常重要。在临床孤立综合征(CIS)患者中,MRI测量的T2高信号病变(数量、位置和体积)有助于预测MS的转化。然而,传统的MRI测量方法通常只显示出与已建立的MS患者的残疾测量方法有轻微到中等程度的相关性。
人工智能,特别是深度学习方法已经迅速成为流行的数学模型。在多发性硬化症领域,深度学习方法主要应用于改善白质(WM)病变的检测和分割,最近才应用于与其他WM疾病的鉴别诊断。意大利神经影像网络倡议(INNI)促进了一个数据库的建设和维护,这个数据库收集了来自4个意大利研究中心的多发性硬化症患者和健康对照组的MRI、临床和神经心理学数据,这些中心在多发性硬化症领域具有国际公认的专业知识,其主要目标是改善MRI在多发性硬化症研究中的应用,并确定新的MRI影像学标志物以监测疾病过程。
近日,发表在INVEST RADIO杂志的一项研究在INNI收集的大型多中心患者队列中开发和应用了一项深度学习算法,通过基线MRI特征以实现多发性硬化症患者病情进展的预测,为临床早期预测疾病进展及治疗效果提供了技术支持。
本研究对从意大利神经成像网络倡议资料库中收集了373名多发性硬化症患者的基线T2加权和T1加权的脑部MRI扫描,以及基线和2年的临床和认知评估。使用一个基于卷积神经网络的深度学习架构来进行预测:
- 临床恶化(基于扩大的残疾状态量表[EDSS]的模型),
- 认知恶化(基于符号数字模式测试[SDMT]的模型),或
- 两者(EDSS + SDMT的模型)。该方法在一个独立的数据集上进行了测试,并与两位专家医生的表现进行了比较。
对于测试集,卷积神经网络模型对临床(83.3%)和认知(67.7%)恶化表现出较高的预测准确性,不过在使用EDSS和SDMT信息训练算法时,准确率达到最高(85.7%)。人工智能的分类性能超过了2位专家的分类性能(人类评分员的准确率为70%)。
图 图中显示了两个由深度学习算法正确分类的患者示例。在A中,一个临床恶化的病人在随访时(根据EDSS评分变化)显示T2-高信号的脑膜下病变(黄星)和基线访问时明显的脑萎缩。B项是随访时临床稳定的病人。与A的病人相反,他在基线访问时显示没有T2高信号的脑膜下病变和轻微的脑萎缩
本研究根据基线时的T1加权和T2加权脑MRI成像建立并验证了一个预测2年后多发性硬化症临床和认知恶化的强大而准确的模型。这个算法可能成为一个协助临床工作的重要工具,并对有疾病恶化风险的多发性硬化症患者进行及时管理。人工智能可以帮助临床医生完成大量数据和理解数据处理的艰巨任务,而反过来,临床医生的知识和专长将提高人工智能的性能。
原文出处:
Loredana Storelli,Matteo Azzimonti,Mor Gueye,et al.A Deep Learning Approach to Predicting Disease Progression in Multiple Sclerosis Using Magnetic Resonance Imaging.DOI:10.1097/RLI.0000000000000854.
作者:shaosai
版权声明:
本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#EST#
0
#疾病进展#
91
#多发性#
117
#硬化症#
114
学习一下
131