自动深度学习人工智能工具测量儿童脑室体积的mri

来自北美多家机构的研究人员开发了一种全自动、深度学习(DL)、人工智能临床工具，可以在大约25分钟内通过磁共振图像(mri)测量儿童脑室的体积。跟踪心室容积的能力，在临床设置将证明宝贵的治疗儿童和成人脑积水。今天，Jennifer L. Quon医学博士及其同事在一篇新文章“人工智能自动脑室分割和体积计算:儿童脑积水评估的临床工具”中报道了该工具的开发和验证的细节神经外科杂志:儿科学ob体育开户网址。

脑积水是一种由脑室中过量的脑脊液(CSF)引起的病理状况。这种情况是由于CSF的产生和吸收不平衡造成的。当脑脊液从一个脑室传递到另一个脑室时，脑积水称为“沟通”，当脑室到另一个脑室的通道被阻塞时称为“阻塞”。儿童脑积水的发病率约为万分之六。它被称为“婴儿、儿童和青少年中最常见的可通过手术矫正的神经问题。”

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。

本研究的作者试图开发一个自动化的深度学习（DL）基础模型可用于评估临床疗法期间脑积水儿童随着时间的推移脑室量的变化。深度学习是一种先进的人工智能形式，模仿人类脑的工作;它能够处理大量数据和在决策中使用模式。作者的目标是创建一个DL工具，该工具将在多个机构中有效地工作，其中来自不同制造商的各种临床MRI机器。

为了开发和验证模型，作者选择了来自一组200名儿科患者（22岁或以下）的T2加权MRIS的组合，他患有急性阻塞性脑积水。T2加权MRI具有广泛的临床用途，但通常不用于确定心室体积。本集团的患者在四个机构之一进行了治疗：Lucile Packard儿童医院斯坦福;西雅图儿童医院;生病儿童的医院;和顿儿童医院。为一个对照组，作者从199组神经系统完好的t2加权mri中选择了200组儿科患者。还审查了三维T1加权MRI，其在所有对照和脑积水患者的患者中获得。三维T1加权MRIS通常用于体积分析，但临床不容易获得。

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模型旨在产生自动心室分割（在成像上划分心室边界）和体积计算。为了检查模型的效率，作者将这两种过程与手动分割和卷计算的黄金标准进行了比较和使用FreeSurfer研究软件。作者使用骰子相似度系数（0至1）来评估分割精度和线性回归以评估体积计算。

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模型比FreeSurfer软件更准确、更快，后者“需要8.2至207.3小时(中位数20.3小时)进行心室分割和体积输出，而DL模型则需要1.48秒。”

这项工作还处于初步阶段。使用DL模型提供的证据仍然需要与患者症状的相关性，当与其他类型的脑积水一起使用时，需要做更多的工作来评估DL模型。尽管如此，作者总结道:“由于几乎即时的容量输出和跨机构扫描仪类型的可靠性能，该模型可以适用于脑积水的实时临床评估，并改善临床医生的工作流程。”

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。”

---

---