人工智能促进多动症的MRI检测？

《放射学：人工智能》发表的一项研究显示，深度学习是一种人工智能，可以增强MRI在预测注意缺陷多动障碍中的作用。研究人员表示，这种方法也可能适用于其他神经系统疾病。

人脑是一个复杂的网络。功能磁共振成像是一种通过检测血流变化来测量大脑活动的成像技术。它的进展有助于绘制大脑网络内部和之间的联系。这张全面的大脑地图被称为连接体。

越来越多的人将连接体作为理解多动症优艾设计网_设计等脑部疾病的关键，这使得对躁动行为的关注和控制变得困难。

根据全国儿童健康调查，2016年，约9.4%的2至17岁美国儿童被诊断患有多动症。单一检查或医学影像学检查不能明确诊断该病。相反，多动症的诊断是基于一系列症状和基于行为的测试。

脑磁共振成像在诊断中有潜在的作用，因为研究表明多动症是由连接体的某种损伤或破坏引起的。通过跨越磁共振图像的空间区域来构造连接套管。脑碎片可以根据解剖学标准、功能标准或两者来定义。基于不同的大脑碎片，可以在不同的尺度上研究大脑。

先前的研究集中于所谓的单规模方法，其中仅使用小片段来构建接头。对于这项新的研究，来自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给出了更全面的介绍。他们开发了一种多尺度方法，该方法使用基于多个分区的多个连接组图。

为了建立深度学习模型，研究人员使用了神经尿素ADHD-200数据集的数据。该模型使用来自该项目的973名参与者的多尺度大脑连接组数据和相关的个人特征，如性别和智商。

与单尺度方法相比，多尺度方法显著提高了多动症的检测性能。

辛辛那提儿童医院医学中心高级研究作者何莉莉博士说：“我们的结果强调了大脑连接组的预测能力。”。跨多个尺度构建的大脑功能连接器为描述整个大脑网络提供了补充信息。

通过提高诊断的准确性，基于深度学习的磁共振诊断对多动症患者的早期干预可能非常重要。美国大约有5%的学龄前和学龄儿童被诊断患有多动症。这些儿童青少年学业失败、建立社会关系的风险较高，可能会给家庭带来经济困难，给社会带来巨大负担。

何博士说，这种方法也有超越多动症的潜力。

她说：这个模型可以推广到其他神经系统缺陷。我们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了扫描，以预测两岁时的神经发育结果。

未来，研究人员希望看到深度学习模型随着接触更大的神经成像数据集而得到改善。他们还希望更好地了解多动症相关模型所识别的连接组中的特定故障或故障。