教育新闻网根据发表在《放射学：人工智能》上的一项研究，深度学习是一种人工智能，可以增强MRI在预测注意力缺陷多动障碍(ADHD)中的作用。研究人员说，这种方法也可能适用于其他神经系统疾病。
人脑是一组复杂的网络。功能性MRI是一种通过检测血流变化来测量大脑活动的成像技术，它的进步已帮助绘制了大脑网络内部和之间的连接图。这种全面的脑图被称为连接体。
越来越多的人将连接体视为理解多动症等脑部疾病的关键，这种疾病使人难以注意和控制躁动不安的行为。
根据国家儿童健康调查，2016年约有9.4%的美国2至17岁儿童(610万)被诊断出患有多动症。尚不能通过单项测试或医学影像学检查明确诊断出该疾病。相反，ADHD诊断是基于一系列症状和基于行为的测试。
脑MRI在诊断中具有潜在作用，因为研究表明ADHD是由连接体中某种类型的破坏或破坏引起的。连接套是由跨过MR图像的空间区域(称为分块)构造而成的。可以根据解剖学标准，功能标准或两者来定义大脑碎片。可以基于不同的大脑碎片以不同的比例研究大脑。
先前的研究集中在所谓的单尺度方法上，其中仅基于一个小片段构建连接体。对于这项新研究，辛辛那提大学医学院和辛辛那提儿童医院医学中心的研究人员进行了更全面的介绍。他们开发了一种多尺度方法，该方法使用了基于多个分割的多个连接组图。
为了建立深度学习模型，研究人员使用了NeuroBureau ADHD-200数据集中的数据。该模型使用了来自该项目973名参与者的多尺度大脑连接组数据以及相关的个人特征，例如性别和智商。
与使用单尺度方法相比，多尺度方法显着提高了ADHD检测性能。
辛辛那提儿童医院医学中心的高级研究作者Lili He博士说：“我们的结果强调了大脑连接组的预测能力。”“跨越多个尺度的构建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，基于深度学习的基于MRI的诊断对于实施ADHD患者的早期干预可能至关重要。在美国学龄前和学龄儿童中，大约有5%被诊断出患有ADHD。这些儿童和青少年面临学术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，并给社会造成巨大负担。
贺博士说，该方法还具有超越多动症的潜力。
她说：“该模型可以推广到其他神经系统缺陷。”“我们已经使用它来预测早产儿的认知缺陷。我们在出生后不久对其进行扫描，以预测两岁时的神经发育结果。”
将来，研究人员希望看到深度学习模型随着暴露于更大的神经影像数据集而得到改善。他们还希望更好地了解与ADHD相关的模型所鉴定的连接组中的特定故障或破坏。
