人工智能诊断平台与高精度在0.36秒内肌张力障碍

大众的眼睛和耳朵的研究人员开发出一种独特的诊断工具,可以从核磁共振扫描检测肌张力障碍,同类技术的第一个提供客观诊断的障碍。肌张力障碍是一种潜在禁用神经疾病导致无意识的肌肉收缩,导致异常的动作和姿势。通常是误诊,可以把人10年获得正确的诊断。

在一项新的研究发表在9月28日PNAS,研究人员开发了一个基于ai深度学习平台DystoniaNet-to比较大脑核磁共振成像的612人,包括392名患者三种不同形式的孤立的焦点肌张力障碍和220个健康人。平台肌张力障碍诊断的准确率为98.8%。在此过程中,研究人员发现了一个新的显微结构的神经网络肌张力障碍的生物学标记。进一步的测试和验证,他们相信DystoniaNet可以很容易地集成到临床决策。

”目前还没有生物标志物的肌张力障碍,没有“黄金标准”为其诊断测试。由于这个原因,许多病人接受不必要的过程和看到不同的专家,直到排除其他疾病和肌张力障碍的诊断,建立了“高级研究作者说克里斯蒂娜Simonyan,医学博士,博士,医学博士,主任喉科学研究质量的眼睛和耳朵,马萨诸塞州总医院神经学家,头颈外科副教授,哈佛大学医学院。“有一个重要的需要开发,验证和结合客观的测试工具本神经疾病的诊断,和我们的研究结果表明,DystoniaNet可能填补这个空白。”

一个障碍诊断很困难

大约35每100000人孤立或主dystonia-prevalence很可能低估了由于当前挑战诊断这种疾病。在某些情况下,肌张力障碍可以导致神经系统的活动,如帕金森病和中风。然而,大多数孤立的肌张力障碍病例没有已知的原因和影响一个身体的肌肉组织。这些所谓的局灶性肌张力障碍可以导致残疾和身心的生活质量的问题。

研究包括三个最常见的类型的局灶性肌张力障碍:喉肌张力障碍,表现为不自主运动的声带,这也势必会产生矛盾与演讲(也称为痉挛性发声困难);颈肌张力障碍,导致颈部肌肉痉挛和颈部倾斜以不寻常的方式;的眼睑睑痉挛,局灶性肌张力障碍会导致无意识的抽搐和有力的眼睑闭包。

传统上,肌张力障碍的诊断是根据临床观察,Simonyan博士说。先前的研究已经发现,临床医师之间的肌张力障碍的诊断协议基于纯粹的临床评估低至34%,有报道称,大约50%的情况下先误诊或诊断病人的访问。

DystoniaNet可以集成到医疗决策

DystoniaNet利用深度学习,一种特殊的人工智能算法,从单个核磁共振分析数据并识别中也存在细微的差别大脑结构。异常结构的平台是能够检测集群在一些已知的大脑区域控制处理和电机的命令。这些微小的变化不能被肉眼在MRI,并通过平台的模式只是明显大脑能力的3 d图像和放大他们的显微结构的细节。

“我们的研究表明,肌张力障碍诊断DystoniaNet平台的实现将对这个疾病的临床管理变革,“第一项研究作者大卫。Valeriani,博士,博士后研究员在肌张力障碍和语言运动控制实验室质量眼睛和耳朵和哈佛医学院。“重要的是,我们的平台设计高效、可判断的临床医生,通过提供病人的诊断,诊断的AI的信心,和哪些大脑结构异常的信息。”

DystoniaNet是一个新开发的专有平台Simonyan博士和Valeriani,结合质量一般百翰。创新。技术解释MRI扫描显微结构的生物标志物在0.36秒。DystoniaNet被训练使用Amazon Web服务的云计算平台。研究人员认为这项技术可以很容易地转化为临床设置,如被集成在电子医疗记录或直接在磁共振扫描仪软件。如果DystoniaNet发现MRI高概率的肌张力障碍,医生可以使用此信息来帮助自信地确认诊断,追求未来的行动,并建议一个疗程没有延迟。肌张力障碍不能治愈,但有些治疗方法可以帮助减少dystonia-related痉挛的发生率。

未来的研究将着眼于更多类型的肌张力障碍,包括试验在多个医院进一步验证DystoniaNet平台更多的病人。