动态多尺度深度学习结合专家混合模型，利用MRI区分内皮下脑水肿（iNPH）和脑室旁水肿（PSP）

《International Journal of Computer Assisted Radiology and Surgery》：Dynamic multi-scale deep learning with mixture of experts for differentiating iNPH and PSP using MRI

多尺度深度学习框架通过混合专家机制动态整合全局与局部MRI特征，显著提升iNPH与PSP鉴别诊断准确率（AUC=1.000），方法结合3D CNN与ROI聚焦的2.5D recurrent CNN，并利用Grad-CAM可视化验证模型决策逻辑。

　　

摘要

目的

由于步态障碍和认知衰退等临床症状的重叠，区分特发性正常压力脑积水（iNPH）和进行性核上性麻痹（PSP）在临床上具有挑战性。本研究提出了一种新的多尺度深度学习框架，该框架利用混合专家（MoE）机制整合了全局和局部磁共振成像（MRI）特征，从而提高了诊断准确性并减少了观察者间的差异。

方法

所提出的框架结合了3D卷积神经网络（CNN）来捕捉全局体积特征，以及2.5D循环CNN来关注疾病特异性感兴趣区域（ROIs），包括侧脑室、高凸度沟回、中脑和Sylvian裂。MoE机制动态地对全局和局部特征进行加权，优化了分类过程。模型性能通过在118名患者（53例iNPH，65例PSP）的T1加权MRI数据上使用分层五折交叉验证进行评估，以确保训练折叠之间的类别分布平衡。

结果

使用ResNet-34的MoE模型实现了0.983的准确率（95%置信区间0.875–1.000）、0.985的召回率（95%置信区间0.750–1.000）、0.986的精确率（95%置信区间0.769–1.000）以及1.000的曲线下面积（AUC）（95%置信区间1.000–1.000），性能优于传统的形态学标志物和单分支深度学习模型。MoE机制允许对全局和局部特征进行自适应加权，从而提高了模型的鲁棒性和可解释性。Grad-CAM可视化展示了疾病特异性区域，表明该模型在3D CNN专家判断iNPH和PSP时，无论成功还是失败的情况下都关注了相关特征。

结论

通过MoE框架动态整合全局和局部MRI特征，提供了一种强大、鲁棒且可解释的工具，用于区分iNPH和PSP。这种方法减少了对主观视觉评估的依赖，并通过数据集扩展和多中心验证具有更广泛的临床应用潜力。