人工智能提高了对ADHD的核磁共振检测

《科学》杂志发表的一项研究称，深度学习作为一种人工智能，可以提高核磁共振成像(MRI)在预测注意力缺陷多动障碍(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系统疾病。

的人类的大脑是一组复杂的网络。功能磁共振成像的进展，一种可以测量大脑的活动通过检测血液流动的变化，有助于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。

神经连接体越来越被认为是理解多动症(ADHD)等大脑疾病的关键，这种疾病会让人难以集中注意力和控制不安的行为。

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中得到明确诊断。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ADHD是由某种类型的连接体崩溃或中断造成的。连接体是由磁共振图像的空间区域构成的，被称为分割。脑分块可以根据解剖标准、功能标准或两者来定义。大脑可以根据不同的大脑分区在不同的尺度上进行研究。

先前的研究集中在所谓的单尺度方法上，即连接体仅基于一个分割来构建。在这项新研究中，来自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进行了更全面的研究。他们开发了一种多尺度的方法，该方法使用基于多个分割的多个连接体地图。

构建深度学习模型中，研究人员使用了来自NeuroBureau ADHD-200数据集的数据。该模型使用了该项目973名参与者的多尺度大脑连接体数据，以及相关的个人特征，如性别和智商。

多尺寸方法在使用单尺度方法上显着提高了ADHD检测性能。

“我们的研究结果强调了大脑连接体的预测能力，”辛辛那提儿童医院医学中心的资深作者Lili He博士说。“所构建的大脑功能连接体跨越多个尺度，为描绘整个大脑的网络提供了补充信息。”

通过提高诊断的准确性，基于深度学习的mri诊断对于实施ADHD患者的早期干预至关重要。大约5%的美国学前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业失败和建立社会关系的高风险，这可能导致家庭经济困难，并对社会造成巨大的负担。

贺建奎说，这种方法也有超越多动症的潜力。

“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。我们在婴儿出生后不久就对他们进行扫描，以预测他们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当它暴露于更大的神经成像数据集时，改进。他们还希望更好地理解连接体中与ADHD相关的特定故障或破坏。

---

---