根据发表在《放射学:人工智能》上的一项研究，深度学习是人工智能的一种，它可以增强MRI预测注意力缺陷多动障碍(ADHD)的能力。研究人员说，这种方法也可以应用于其他神经疾病。
和生元国际医疗发现人类的大脑是一个复杂的网络系统。功能性核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。这个全面的大脑地图被称为连接体。
越来越多的人认为，连接体是理解多动症等脑部疾病的关键。多动症是一种让人难以集中注意力和控制不安行为的疾病。
根据全国儿童健康调查，2016年约有9.4%的2至17岁的美国儿童(610万)被诊断患有多动症。目前还不能通过单一测试或医学影像检查对个别儿童进行确诊。相反，多动症的诊断是基于一系列的症状和行为测试。
脑MRI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类型的破坏或中断引起的。连接体是由MR图像上的空间区域构成的，这些区域被称为parcellations。脑分区可以根据解剖学标准、功能标准或两者同时定义。基于不同的大脑分区，可以在不同的尺度上研究大脑。（-hsyusa-）
之前的研究主要集中在所谓的单标度方法上，即连接体仅基于一次分切构建。在这项新研究中，来自辛辛那提大学医学院和辛辛那提儿童医院医疗中心的研究人员采取了更全面的观点。他们开发了一种多比例尺的方法，该方法使用基于多个细分的多个连接体映射。
为了建立深度学习模型，研究人员使用了来自神经局ADHD-200数据集的数据。该模型使用了来自该项目973名参与者的多尺度脑连接体数据，以及相关的个人特征，如性别和智商。多尺度方法比单一尺度方法明显改善了ADHD的检测性能。
和生元国际医疗发现通过提高诊断准确性，基于mri的深度学习辅助诊断在实施ADHD患者的早期干预中可能是关键的。大约5%的美国学前和学龄儿童被诊断为多动症。这些儿童和青少年面临学业失败和建立社会关系的高风险，这可能导致家庭经济困难，给社会造成巨大负担。贺建奎说，这种方法也有超越多动症的潜力。
在未来，研究人员希望看到随着深度学习模型暴露于更大的神经成像数据集，它会得到改善。他们还希望更好地理解由模型识别出的与多动症相关的连接体的具体故障或中断。
