人工智能提高了MRI对多动症的检测
发表在《science》上的一项研究表明，深度学习是一种人工智能，可以提高核磁共振在预测注意缺陷多动障碍(ADHD)方面的能力放射学:人工智能．研究人员表示，这种方法也可以应用于其他神经疾病。
的人类的大脑是一组复杂的网络。功能性核磁共振成像的进展，一种测量大脑的活动通过检测血液流动的变化，可以帮助绘制内部和之间的联系大脑网络。这张全面的大脑地图被称为连接体．
越来越多的人认为，连接组是理解像注意力缺陷多动障碍(ADHD)这样的大脑疾病的关键。注意力缺陷多动障碍是一种使人难以集中注意力和控制不安行为的疾病。
根据全国儿童健康调查，2016年约9.4%的2至17岁的美国儿童(610万)被诊断患有多动症。这种疾病还不能通过单一的测试或医学成像检查在单个儿童身上得到明确诊断。相反，ADHD的诊断是基于一系列症状和基于行为的测试。
大脑MRI在诊断中有潜在的作用，因为研究表明多动症是由于连接组的某种类型的破坏或中断造成的。连接组是由横跨MR图像的空间区域构成的，称为片段。脑包可以根据解剖学标准、功能标准或两者来定义。大脑可以根据不同的大脑片段在不同的尺度上进行研究。
先前的研究主要集中在所谓的单尺度方法上，即连接组仅基于一个片段构建。在这项新研究中，辛辛那提大学医学院和辛辛那提儿童医院医疗中心的研究人员采取了更全面的视角。他们开发了一种多尺度方法，使用基于多个包的多个连接组映射。
为了建造深度学习模型中，研究人员使用了来自神经局多动症-200数据集的数据。该模型使用了该项目973名参与者的多尺度脑连接组数据，以及相关的个人特征，如性别和智商。
多尺度方法比单一尺度方法显著提高了多动症的检测性能。
“我们的研究结果强调了大脑连接组的预测能力，”来自辛辛那提儿童医院医疗中心的研究资深作者Lili He博士说。“构建的跨越多个尺度的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，基于深度学习辅助的mri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。这些儿童和青少年面临着学习失败和建立社会关系的高风险，这可能导致家庭经济困难，给社会造成巨大负担。
贺建奎说，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。我们在他们出生后不久对他们进行扫描，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改进，因为它暴露在更大的神经成像数据集。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组的特定故障或中断。
进一步探索
