自动深度学习AI工具衡量儿童MRIS上的脑室体积

来自北美多个机构的研究人员开发出全自动，深学习（DL），人工智能临床工具，可以在约25分钟内测量儿童磁共振图像（MRIS）的脑室体积。在临床环境中追踪心室容积随时间的能力将为治疗儿童和成人的脑积水而令人难堪。有关该工具的发展及其验证的详细信息今天在一篇新的文章中，“用于自动脑心室分割和体积计算的人工智能：评估儿科脑积水的临床工具，”通过Jennifer L. Quon，MD和同事，在里面神经外科杂志：儿科bob电竞。

脑积水是由称为脑室的脑室中过量的脑脊液（CSF）引起的病理状况。条件是由于CSF的生产和吸收之间的不平衡。当CSF可以从一个心室传递到另一个心室时，脑积水称为“沟通”，当从一个心室到另一个心室时，堵塞。儿科脑积水的患病率大约是10,000个活产出的六个。它被称为“婴儿，儿童和青少年中最常见的手术综合性神经系统问题”。

脑积水的诊断是根据临床症状和体征，以及脑室增大的神经影像学检查结果。分流术(一种内部引流系统，将多余的脑脊液从大脑中引流出来)是减少脑积水最常见的外科手术。手术后，必须定期监测患者，以确保分流器继续正常工作。心室的变化体积可以指导临床决策。然而，到目前为止，心室容积的准确评估可能是耗时的或需要研究级别的自动化工具，不容易适应患者的临床就诊。

这项研究的作者试图开发一种自动化的深度学习(DL)的模型这可以用来评估脑积水儿童在就诊期间脑室容积随时间的变化。深度学习是一种高级形式的人工智能，模仿人类大脑的工作方式;它能够处理大量数据，并创建用于决策的模式。作者的目标是创建一个DL工具，可以有效地工作在多个机构与不同制造商的各种临床MRI机器。

为了建立和验证该模型，作者从一组200例出现急性阻塞性脑积水的儿科患者(22岁或更小)中选择了t2加权mri。t2加权mri有广泛的临床应用，但通常不用于确定心室容积。这组患者在以下四家机构之一接受治疗:斯坦福露西尔·帕卡德儿童医院;西雅图儿童医院;儿童医院;还有代顿儿童医院对于一个对照组，作者选择了200套T2加权的MRIS，从199次神经根本完整儿科患者。我们还对所有对照组和脑积水患者的三维t1加权磁共振成像进行了回顾。三维t1加权磁共振成像通常用于体积分析，但在临床中并不容易获得。

400组t2加权磁共振成像被分离用于研究的不同步骤:训练(266组)和优化(67组)DL模型，并进行保留测试(67组)以最终评估模型的性能。在另一项研究中，作者还利用犹他州初级儿童医院9名患者的前瞻性t2加权磁共振成像(T2-weighted mri)研究了DL模型的泛化性及其临床有用性。

DL模型用于心室的自动分割(成像上心室边界的勾画)和体积计算。为了检验该模型的效率，作者将这两个过程与人工分割和体积计算的黄金标准以及FreeSurfer研究软件的使用进行了比较。作者使用骰子相似系数(0到1)来评估分割精度和线性回归来评估体积计算。

根据作者的研究，与手动分割相比，“模型分割的总体Dice得分为0.901(脑积水患者为0.946，对照组为0.856)。”这些数字显示了很高的准确性，当用于脑积水患者时，准确性甚至更高。当用于评估犹他州初级儿童医院(Utah Primary Children’s Hospital)患者的分割准确性时，Dice得分为0.926。

作者发现，使用DL模型进行的心室容积计算与人工确定的额枕角比(r2 = 0.92)和埃文斯指数额角比(r2 = 0.79)之间存在很强的相关性。这些计算是通过t2加权磁共振成像进行的。

DL模型更准确，比FreeSurfer软件更快，速度软件“花了8.2至207.3小时（中位数20.3小时），用于对心室分割和体积输出相比，每位患者扫描的1.48秒进行DL模型。”

这项工作仍然是初步的。使用DL模型提供的证据仍然需要与患者的症状相关，并且需要进行更多的工作来评估与其他类型的脑积水一起使用的DL模型。然而，作者的结论是，“通过机构扫描仪类型的近乎立即的体积输出和可靠的性能，该模型可以适应脑积水的实时临床评价，并改善临床医生工作流程。”

当被问及研究结果时，dr。Edwards和Yeom回答说:“自从Dandy发明脑室造影来可视化脑室系统已经超过100年了。我们的目标是开发一个快速、可靠的程序，使用AI(人工智能)技术，快速、准确，并可部署在多个成像平台。有明确的脑室容积将消除劳力和测量和比较脑室大小的不准确性，并允许在处理脑积水和其他脑脊液容积病理患者时作出更准确的决定。我们的目标是临床验证我们的技术，以便将该技术应用到常规临床和研究中。我们希望这项技术将提供更准确和可靠的信息，让临床医生对脑积水患者做出更好的管理决策，从而改善患者护理和预后。”

---

---