随着时间的推移，在临床环境中跟踪心室容量的能力将被证明在儿童和成人的治疗中是无价的脑积水．关于该工具的开发和验证的细节在今天的一篇新文章中进行了报道，“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”，由Jennifer L. Quon医学博士及其同事在神经外科杂志:儿科。
脑积水是由称为脑室的脑室中过量的脑脊液（CSF）引起的病理状况。条件是由CSF的生产和吸收之间的不平衡产生。当CSF可以从一个心室传递到另一个心室时，脑积水被称为“沟通”，并且当从一个心室到另一个心室时，堵塞。普遍存在儿科脑积水大约是10,000个活产出的六个。它已被称为“婴儿，儿童和青少年中最常见的手术可矫正神经问题。”
广告
广告
脑积水的诊断是基于临床症状和体征以及脑室扩大的发现神经影像学研究。放置分流器(一种将多余的脑脊液排出大脑的内部引流系统)是减少脑积水最常见的手术方法。后手术，必须定期监测患者以确保分流器继续正常工作。心室体积的变化可以指导临床决策。然而，迄今为止，准确的心室体积评估可能是耗时的，或者需要研究级别的自动化工具，这些工具不容易适应患者的临床访问。
这项研究的作者试图发展自动化深度学习基于基础的模型，可用于评估临床疗法期间脑积水儿童随着时间的推移量的脑心室量的变化。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创建模式。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，来自不同制造商的各种临床MRI机器。
推荐的文章
要开发和验证模型，作者选择了一组T2加权核磁共振成像来自200名患有急性梗阻性脑积水的儿童患者(22岁或更小)。t2加权磁共振成像有广泛的临床应用，但通常不用于确定心室容量。这组患者曾在以下四家机构之一接受过治疗:斯坦福大学露西尔·帕卡德儿童医院;西雅图儿童医院;儿童医院;和代顿儿童医院作为对照组，作者从199例神经完整的儿童患者中选择200组t2加权磁共振成像。三维t1加权磁共振成像，已获得的所有对照和一个脑积水患者子集，也进行了回顾。三维t1加权磁共振成像通常用于体积分析，但在临床上并不容易得到。
400组t2加权磁共振成像被分离用于研究的各个步骤:训练DL模型(266组磁共振成像)和优化(67组磁共振成像)，以及用于最终评估模型性能的保留测试(67组磁共振成像)。在另一项研究中，作者还研究了DL模型的通用性和它的临床有用性，使用了犹他州初级儿童医院的9名患者前瞻性获得的t2加权磁共振成像。
推荐的文章
设计DL模型用于实现心室的自动分割成像)和体积计算。为了检验模型的效率，作者将这两个过程与人工分割和体积计算的黄金标准以及使用FreeSurfer研究软件进行了比较。作者使用Dice相似系数(0到1)来评估分割精度，并使用线性回归来评估体积计算。
根据作者的说法，与手工分割相比，“模型分割的总体Dice得分为0.901(脑积水为0.946，对照组为0.856)。”这些数字显示了极大的准确性，甚至更好的准确性明显用于脑积水患者。当用于评估犹他州初级儿童医院患者的分割准确性时，Dice得分为0.926。
推荐的文章
作者发现，使用DL模型计算的心室容量与手动确定的额-枕角比(r2 = 0.92)和Evans指数(额角比(r2 = 0.79))之间存在很强的相关性。这些计算是使用t2加权磁共振成像进行的。DL模型比FreeSurfer软件更准确、更快，FreeSurfer软件“心室分割和体积输出需要8.2到207.3小时(中位数20.3小时)，而DL模型每次患者扫描只需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的症状相关，当DL模型用于其他类型的脑积水时，还需要做更多的工作来评估。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，该模型可以适应脑积水的实时临床评估，并改善临床医生的工作流程。”
当被问及这项研究的发现时。爱德华兹和廉相洙回答说:“丹迪发明脑室造影技术，将脑室系统可视化，至今已有100多年的历史。我们的目标是使用人工智能技术开发一个快速、可靠的程序，该程序快速、准确，可在多个成像平台上部署。有了脑室容积的确定，就可以消除测量和比较脑室体积随时间变化的不准确性，并在处理脑积水和其他脑脊液体积病变患者时做出更准确的决定。我们的目标是在临床上验证我们的技术，以便将这项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，从而改善患者的护理和结果。”
来源：神经外科杂志杂志
