深度学习促进MRI检测多动症

越来越多的人认为，连接体是理解ADHD等大脑障碍的关键。根据全国儿童健康调查，2016年，大约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影像学检查对单个儿童进行明确诊断。相反，多动症的诊断是基于一系列的症状和行为测试。

大脑磁共振成像在诊断方面有潜在的作用，因为研究表明ADHD是由连接体的某种类型的破坏或破坏引起的。连接体是由MR图像上被称为分割的空间区域构成的。脑小包可以根据解剖标准、功能标准或两者来定义。大脑可以根据不同的脑分区在不同的尺度上进行研究。

之前的研究主要集中在所谓的单尺度方法上，即连接体仅基于一种分割构造。在这项新的研究中，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采取了更全面的观点。他们开发了一种多尺度方法，使用基于多个分割的多个连接体映射。

提高诊断准确性有助于早期干预

为了构建深度学习模型，研究人员使用了来自神经局ADHD-200数据集的数据。该模型使用了项目中973名参与者的多尺度脑连接体数据，以及相关的个人特征，如性别和智商。

与单量表方法相比，多量表方法显著提高了ADHD的检测效果。“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大脑功能连接体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，深度学习辅助核磁共振诊断在实施ADHD患者早期干预中可能是关键的。大约5%的美国学龄前和学龄儿童被诊断患有多动症。这些儿童和青少年面临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，并对社会造成巨大的负担。

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系统缺陷上，”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的改进，因为它暴露于更大的神经成像数据集。他们也希望能更好地理解与ADHD相关的模型所识别的连接体的具体故障或中断。