根據發(fā)表在《放射學：人工智能》上的一項研究，深度學習是一種人工智能，可以增強MRI在預測注意力缺陷多動障礙(ADHD)中的作用。研究人員說，這種方法也可能適用于其他神經系統(tǒng)疾病。

人腦是一組復雜的網絡。功能性MRI是一種通過檢測血流變化來測量大腦活動的成像技術，它的進步已幫助繪制了大腦網絡內部和之間的連接圖。這種全面的腦圖被稱為連接體。

越來越多的人將連接體視為理解多動癥等腦部疾病的關鍵，這種疾病使人難以注意和控制躁動不安的行為。

根據國家兒童健康調查，2016年約有9.4%的美國2至17歲兒童(610萬)被診斷出患有多動癥。尚不能通過單項測試或醫(yī)學影像學檢查明確診斷出該疾病。相反，ADHD診斷是基于一系列癥狀和基于行為的測試。

腦MRI在診斷中具有潛在作用，因為研究表明ADHD是由連接體中某種類型的破壞或破壞引起的。連接套是由跨過MR圖像的空間區(qū)域(稱為分塊)構造而成的。可以根據解剖學標準，功能標準或兩者來定義大腦碎片?？梢曰诓煌拇竽X碎片以不同的比例研究大腦。

先前的研究集中在所謂的單尺度方法上，其中僅基于一個小片段構建連接體。對于這項新研究，辛辛那提大學醫(yī)學院和辛辛那提兒童醫(yī)院醫(yī)學中心的研究人員進行了更全面的介紹。他們開發(fā)了一種多尺度方法，該方法使用了基于多個分割的多個連接組圖。

為了建立深度學習模型，研究人員使用了NeuroBureau ADHD-200數(shù)據集中的數(shù)據。該模型使用了來自該項目973名參與者的多尺度大腦連接組數(shù)據以及相關的個人特征，例如性別和智商。

與使用單尺度方法相比，多尺度方法顯著提高了ADHD檢測性能。

辛辛那提兒童醫(yī)院醫(yī)學中心的高級研究作者Lili He博士說：“我們的結果強調了大腦連接組的預測能力。”“跨越多個尺度的構建的大腦功能連接體為描述整個大腦的網絡提供了補充信息。”

通過提高診斷準確性，基于深度學習的基于MRI的診斷對于實施ADHD患者的早期干預可能至關重要。在美國學齡前和學齡兒童中，大約有5%被診斷出患有ADHD。這些兒童和青少年面臨學術學習失敗和建立社會關系的高風險，這可能導致家庭經濟困難，并給社會造成巨大負擔。

賀博士說，該方法還具有超越多動癥的潛力。

她說：“該模型可以推廣到其他神經系統(tǒng)缺陷。”“我們已經使用它來預測早產兒的認知缺陷。我們在出生后不久對其進行掃描，以預測兩歲時的神經發(fā)育結果。”

將來，研究人員希望看到深度學習模型隨著暴露于更大的神經影像數(shù)據集而得到改善。他們還希望更好地了解與ADHD相關的模型所鑒定的連接組中的特定故障或破壞。