
-
生物通官微
陪你抓住生命科技
跳动的脉搏
不确定性感知的多模态深度学习框架用于脊髓损伤MRI定量评估
《npj Digital Medicine》:Automated multi-sequence MRI quantitative assessment and 3D visualization of acute cervical spinal cord injury
【字体: 大 中 小 】 时间:2026年09月26日 来源:npj Digital Medicine 18.0
编辑推荐:
摘要对脊髓压缩和髓内病变的精确评估是脊髓损伤(SCI)手术决策的关键。然而,这一过程本质上具有主观性,常受病变体积小、形态细长及边界模糊等因素的影响,这些因素共同导致了评估者间高度的一致性差异。我们利用一个异质的多中心MRI数据集(n = 711)开发并验证了一种不确定性感知
对脊髓压缩和髓内病变的精确评估是脊髓损伤(SCI)手术决策的关键。然而,这一过程本质上具有主观性,常受病变体积小、形态细长及边界模糊等因素的影响,这些因素共同导致了评估者间高度的一致性差异。我们利用一个异质的多中心MRI数据集(n = 711)开发并验证了一种不确定性感知的深度学习架构。核心多模态网络捕捉长程空间依赖性,而基于蒙特卡洛丢弃的细化模块量化了诊断不确定性,以解决病变边界固有的模糊性。该框架在病变分割任务中实现了70.44%的总体Dice系数。不确定性细化的整合显著提高了算法与7名评估者专家共识的一致性(平均Dice:65.85%对比63.59%)。该流程将原始预测直接转化为解剖学锚定的3D可视化工具,以5.72毫米的平均绝对误差定位最大压迫节段(MCL),并在80.8%的案例中准确地将纵向病变范围映射到精确的椎体节段。此外,影像学生物标志物与神经功能损伤(以美国脊髓损伤协会损伤分级(AIS)和上肢运动评分(UEMS)衡量)在入院、出院及3个月随访时均呈现显著的负相关性。该框架将脊髓损伤评估从主观视觉评估推进到标准化、定量的结局监测。