机器学习技术对放射学孤立综合征和临床孤立综合征的分类
内容提要
该文汇总多项医学影像AI研究：利用深度学习从CT检测急性缺血性中风病变并分类患侧，大病变准确率达80%；采用ViT3D、Xception等模型预测胶质母细胞瘤MGMT状态，AUC约0.60–0.62；此外还涉及联邦学习、多参数MRI及自闭症、痴呆诊断等应用。
延伸解读
中风检测：病变大小与数量影响AI准确性
文章指出，基于CT的深度学习算法在检测急性缺血性中风病变和分类患侧时，整体准确率为72%。但对大尺寸病变准确率可达80%，对多发病变（两个病变87%，三个及以上100%）检测效果更好。这表明AI性能与病变特征密切相关，小病变或单发病变可能更具挑战性，临床应用中需注意其局限性。
胶质母细胞瘤MGMT状态预测：当前模型性能有限
在预测胶质母细胞瘤MGMT生物标记物状态的任务中，ViT3D和Xception模型在测试集上的AUC分别为0.6015和0.61745。这一性能仅略高于随机猜测，说明该任务非常复杂，现有模型仍有较大提升空间。文章提到通过探索不同策略、架构和更多样化数据集可能进一步提高，但尚未实现突破。
联邦学习：解决多机构协作中的隐私与标签噪声
文章涉及联邦学习框架，用于多地点协作，以解决数据隐私和标签噪声问题。通过标签修正策略，提高多地点数据的可靠性，并在实验中验证了方法的有效性和鲁棒性。此外，一个自动脑部MRI筛查工具也支持联邦学习，使多个机构能在不公开私有数据的情况下贡献模型，这有助于推动多中心医学AI研究。
多发性硬化与自闭症：AI辅助诊断的多样化探索
文章还介绍了针对多发性硬化（MS）和自闭症谱系障碍（ASD）的AI诊断研究。例如，GAMER-MRIL结合全脑定量MRI、CNN和解释性方法，用于分类严重残疾的MS患者并调查脑变化；EAG-RS框架利用可解释AI识别脑区非线性高阶功能关联，在ABIDE数据集上验证了有效性，并能鉴别与神经科学相关的ASD亚型。这些工作展示了AI在脑疾病诊断中的广泛应用潜力。
Q&A
深度学习在CT检测急性缺血性中风病变中的准确率如何？
最佳深度学习方法对病变存在和侧边分类达到72%的准确率，对大尺寸病变准确率达80%，对多发病变（两个病变87%，三个或以上病变100%）检测效果更好。
预测胶质母细胞瘤MGMT状态使用了哪些模型？效果如何？
使用了ViT3D、ResNet50、Xception和EfficientNet-B3等架构，在测试集上ViT3D和Xception模型的AUC分别达到0.6015和0.61745。
联邦学习在医学影像中如何解决数据隐私问题？
联邦学习框架允许各机构在不公开私有数据的情况下协作训练模型，例如自动脑部MRI筛查工具支持联邦学习，使多机构能贡献模型而无需共享数据。
有哪些基于MRI的痴呆症诊断算法？
研究了卷积神经网络和MRI在海马区ROI上融合的痴呆症诊断算法，并通过数据增强来平衡不同大小的类别对分类结果的影响。
EAG-RS框架如何用于自闭症谱系障碍的诊断？
EAG-RS是一种可解释的ROI选择框架，利用可解释人工智能技术识别脑区之间的非线性高阶功能关联，选择具有类别区分能力的脑区进行脑疾病识别，在ABIDE数据集上验证有效。
如何利用机器学习区分胶质母细胞瘤的放射性坏死和复发性脑肿瘤？
提出了一种基于MRF的计算模型，通过多分辨率放射性医学特征提取和显著性检验筛选（P < 0.05）来分类预测GBM患者的放射性坏死和复发性脑肿瘤，并探讨其作为非创伤性生物标志物的可行性。
