基于深度学习的肌张力障碍诊断新突破
肌张力障碍是一种可能导致衰弱的神经系统疾病，其特征是不自主的肌肉运动，通常影响眼睑、颈部、手部或声带。患者平均需要5.5年才能获得确诊，且临床诊断标准模糊，依赖医生的经验和专业知识。
DystoniaNet深度学习平台
研究人员开发了基于人工智能的深度学习平台DystoniaNet，能够在0.36秒内完成诊断，准确率达到98.8%。该平台通过分析脑部MRI数据，识别肌张力障碍的微观结构变化，这些变化在临床MRI中通常不可见。
技术实现
- 采用机器学习线性判别分析（LDA）对结构性和功能性MRI神经影像数据进行分类
- 使用某中心的云计算资源（AWS Deep Learning AMI和EC2 P2实例）进行模型训练和测试
- 处理大量患者数据，实现数据输入、处理和机器学习分析的全自动化
临床应用
该平台最初针对喉部肌张力障碍开发，但同样适用于诊断颈部肌张力障碍和眼睑肌张力障碍。目前正在扩展测试，未来还将增加排除其他神经系统疾病（如帕金森病）的功能。
技术优势
- 提供客观的诊断工具，弥补医生在诊断过程中的不足
- 利用云计算资源显著加速模型训练和测试过程
- 基于大样本数据集开发，确保诊断准确性
这项技术为肌张力障碍患者提供了快速、准确的诊断方案，大大缩短了确诊时间，减轻了患者的心理负担。