(Shaonong Wei, Lu Xu, Jiuwen Cao*, Kezhou Liu, Deyang Zhou, Tianlei Wang, and Feng Gao, Differentiation of MOGAD in ADEM-like presentation children based on FLAIR MRI features, Multiple Sclerosis and Related Disorders, 2022, published online)
典型的急性播散性脑脊髓炎（ADEM）患儿与具有ADEM样表现的髓鞘少突胶质细胞糖蛋白抗体相关疾病（MOGAD）患儿之间的磁共振成像是否具有差异依旧存在争议。对于这一问题的解决与讨论可以为MOGAD的影像学诊断提供思路与解决方案，这与患儿的预后状况相关。由此，与浙江大学医学院附属儿童医院合作，我院人机混合智能与智慧健康研究中心在基于影像组学的MOG抗体识别方向的研究论文“Differentiation of MOGAD in ADEM-like presentation children based on FLAIR MRI features”被临床神经病学期刊Multiple Sclerosis and Related Disorders录用。
基于影像组学方法的模型近年来被常应用于各种肿瘤等疾病的识别与生存期的预测问题中。本研究考虑基于此方法，将所有患儿分为0-6岁男性、0-6岁女性、6-14岁男性、6-14岁女性四个亚组，使用具有ADEM样表现患儿的MR-FLAIR影像，对典型的ADEM患儿与具有ADEM样表现的MOGAD患儿进行识别，并基于特征在二者的影像学差异上做出一定的解释。本研究在浙江大学医学院附属儿童医院的数据集上进行实验并验证了方法的有效性。根据实验，本研究得出以下结论：1）基于影像组学的机器学习模型，可以有效地帮助临床医生基于患者的MR影像预测具有ADEM表现的患儿的MOG抗体和预后，模型具有良好的临床收益；2）不同年龄和性别的颅脑损伤儿童ADEM样表现的影像学变化有很大差异，这与儿童的大脑发育程度直接相关。大脑发育越成熟，成像变化越趋于均匀，模型的预测性能也显著提高；3）MOGAD儿童的病灶形状倾向于更长（冠状轴），并在病灶内部纹理上更平滑。
论文第一作者为2020级硕士研究生魏劭农，通讯作者为指导教师曹九稳教授。
算法核心框架图：
在四个亚组上模型ROC与决策曲线分析：
