总所周知，髓鞘化在促进大脑的信号传导方面起着关键作用，对基本的神经功能，包括学习和信息处理是必不可少的。婴儿期的髓鞘化在出生后的头2年中遵循一种可预测的空间模式，这些变化可以通过MRI来描述。随着髓鞘化的进行，T1加权图像显示越来越多的T1高信号区域，反映了髓鞘中的脂质含量，而T2加权图像显示越来越多的T2低信号区域，反映了轴突水含量的减少。髓鞘的T1和T2相关性是大脑成熟的指标，图像上的髓鞘延迟可对应于临床发育延迟。

在临床实践中，放射科医生通过评估特定的髓鞘化标志来评估髓鞘化的程度，这些标志应该根据妊娠矫正年龄（GCA）以可预测的间隔出现。T1加权成像上的标志包括在40周GCA前内囊后肢的髓鞘化和2-3个月前内囊前肢的髓鞘化。然而，在临床实践中，确定髓鞘的适当性可能是主观的和具有挑战性的，特别是对于那些没有专门的儿科神经放射学专业知识的人来说，确定延迟髓鞘发育的错误率接近15%。

人工智能可以帮助诊断骨髓增生延迟，并在增强医学图像分析方面显示出巨大潜力。迄今为止，使用卷积神经网络（CNN）的机器学习已经成功地应用于从新生儿到成人的广泛年龄范围内的神经影像学脑组织年龄评估。然而，文献中缺乏对CNN进行训练和验证的相关研究。

近日，发表在Radiology杂志的一项研究开发了一个CNN模型，该模型能够根据MRI扫描上的脑髓鞘化程度预估0至25个月新生儿和婴儿的GCA，为小儿脑发育情况的准确评估提供了技术支持。

本项回顾性研究中连续收集了1995年1月至2019年6月期间报告髓鞘正常的0-25个月患者的颅脑MRI扫描。MRI时的GCA是通过人工计算的。应用排除标准后，对T1和T2加权MRI图像进行预处理，包括头骨剥离、线性注册、Z评分标准化和降采样。训练了一个三维回归CNN来预测GCA，使用平均绝对误差（MAE）作为其损失函数。模型在美国国立卫生研究院（NIH）的外部测试集上得到验证。并使用Kruskal-Wallis和Mann-Whitney测试比较了模型的MAE。

共有518名新生儿和婴儿（平均GCA，67周±33[SD]，56%为男性）被纳入研究，包括469个T1、438个T2、389个T1和T2加权图像。在10次运行中，T1、T2、T1和T2加权网络的MAE分别为9.8±2.3、9.1±1.9和7.7±1.7周。注意力图分析表明，GCA小于40周的新生儿对小脑、前部白质和基底神经节信号的注意力增加，GCA超过120周的婴儿对前部白质信号的注意力增加，这与已知的髓鞘化的进展相对应。在外部NIH测试集上测试的T1和T2加权网络的MAE为9.1周，使用一半的外部测试集进一步训练后，MAE降至5.9周（P < .001）。

图 多通道（T1和T2加权）模型的平均注意力图显示，该网络在年轻组中对小脑和后脑白质的注意力较高，而在前脑白质和半卵圆中心的注意力较低。对小脑、深灰核和后上白质的注意力较低，对前上白质和半卵圆中心的关注度较高，这与已知的髓鞘化进展相一致。(A）婴儿（120周，红色）和新生儿（40周，蓝色）的图像叠加、减去重叠部分，每个年龄组的阈值为0.8。(B) 只有新生儿（40周）的注意图，没有阈值处理

本项研究表明，深度学习方法可以根据临床获得的T1和T2加权脑MRI图像并依靠已知的整个大脑正常髓鞘的时空模式来预测新生儿或婴儿的妊娠矫正年龄（GCA）。

原文出处：

Joshua Vic Chen,Gunvant Chaudhari,Christopher P Hess,et al.Deep Learning to Predict Neonatal and Infant Brain Age from Myelination on Brain MRI Scans.DOI:10.1148/radiol.211860