الگوهای ضایعاتی اختصاصی جمعیت در مولتیپل اسکلروزیس: تحلیل خودکار یادگیری عمیق پایگاه داده بزرگ ایرانی

مولتیپل اسکلروزیس تقریبا ۲.۸ میلیون نفر را در سراسر جهان تحت تاثیر قرار می دهد، بااین حال جمعیت های خاورمیانه علی رغم شیوع بالاتر بیماری، در مطالعات تصویربرداری عصبی کمتر بررسی شده اند که درک ویژگی های پاتولوژیک خاص جمعیت را محدود و توسعه استراتژی های درمانی متناسب را با مانع مواجه می سازد. بررسی های مقایسه ای بین بیماران ام اس و افراد سالم برای شناسایی تغییرات مغزی و تعریف محدوده های هنجار نشانگرهای زیستی حیاتی است. این مطالعه گذشته نگر ۱,۳۸۱ شرکت کننده (۱,۰۰۰ سالم، ۳۸۱ ام اس) از شمال غرب ایران را با معماری‎های یادگیری عمیق برای تحلیل خودکار توالی های FLAIR بررسی کرد. طبقه بندی نوروآناتومیک ضایعات پری بطنی، پارابطنی و جاکستاکورتیکال را متمایز نمود و ارزیابی های آماری شامل طبقه بندی سن-جنسیت و تحلیل های همبستگی بود. معماری attention U-Net عملکرد بالینی قابل قبولی نشان داد (۰.۷۵۶IoU=، ۰.۸۵۸Dice=). شرکت کنندگان ام‎اس، با نسبت های نرمال شده از ۰.۱۳٪ به ۰.۷۱٪ (۰.۸۲=r=، ۰.۰۰۱>p)، بار ضایعاتی ۵.۵ برابری بالاتری نسبت به کنترل نشان دادند. ضایعات پری بطنی، با تفاوت های محسوس توزیع آناتومیک جنسیت محور، اکثریت بار کل را تشکیل دادند (٪۵۸.۰۲±۲۸.۳۵). ارتباطات سن محور در ام اس برجسته تر بود (نسبت بطنی: ۰.۳۱۹r=، بار ضایعاتی: ۰.۲۳۰r=). این مطالعه مقادیر مرجع معتبر برای نشانگرهای زیستی تصویربرداری ام اس در جمعیت های خاورمیانه تعیین می کند و ویژگی های تجمع ضایعات با غالبیت پری بطنی را نشان می دهد. روش خودکار بخش بندی و تحلیل آماری، شکاف های موجود در تحقیقات بین المللی ام اس را مرتفع می سازد.

کلیدواژه ها:

مولتیپل اسکلروزیس ، تصویربرداری عصبی ، بخش‎بندی FLAIR ، یادگیری عمیق ، Attention U-Net