DystoniaDBSNet 作为一种预测肌张力障碍深部脑刺激疗效的新型深度学习生物标志物

《npj Digital Medicine》：DystoniaDBSNet as a novel deep learning biomarker of predictive deep brain stimulation outcome in dystonia

　　

摘要

肌张力障碍是一种令人衰弱的运动障碍，会干扰日常活动并显著影响患者的生活质量。治疗选项之一是苍白球内侧部深部脑刺激（GPi-DBS）；然而，术前候选者选择或疗效评估尚无客观标志物或标准测试。利用来自五个国际临床中心的 175 例肌张力障碍患者的脑部 MRI，我们开发（n = 104）、测试（n = 30）并外部验证（n = 41）了一种名为 DystoniaDBSNet 的深度学习算法，旨在基于其自动发现的治疗结局神经标志物客观判定 GPi-DBS 反应。DystoniaDBSNet 的整体准确率为 95.5%，灵敏度为 98.0%，特异性为 87.5%，转诊率为 5.6%。平均每个病例的计算时间为 36.2 秒。算法决策基于其神经标志物，该标志物包括前运动皮层、初级感觉运动皮层、辅助运动区、顶小叶、丘脑、下额枕束和胼胝体中的簇。基于结构性脑 MRI，DystoniaDBSNet 为不同形式的孤立性肌张力障碍患者提供完全自动化、客观、准确且快速的 GPi-DBS 结局预测评估。因此，DystoniaDBSNet 可能提供一种数据驱动的方法来评估肌张力障碍患者的 GPi-DBS 适用性，从而有助于提高这种治疗手段在治疗方案有限的人群中的使用率。