Badanie ilościowe Habenuli w oparciu o wielokanałową kaskadową sieć neuronową i ustanowienie modelu predykcyjnego efektu leczniczego u pacjentów z depresją

Depresja jest drugą najczęstszą przyczyną obciążenia chorobami w naszym kraju. Ma poważny wpływ na zdrowie fizyczne i psychiczne ludzi, a około 30% pacjentów z depresją nie reaguje lub źle reaguje na leczenie przeciwdepresyjne. Praktyka kliniczna jest w trudnej sytuacji, jeśli chodzi o obiektywne miary oceny depresji. Wnioskodawca i jej zespół poświęcili wiele lat na podstawowe i kliniczne badania jądra habenularnego (Hb), gromadząc znaczną ilość doświadczeń z doświadczeń na zwierzętach i badań rezonansu magnetycznego (MR) pacjentów. Badania te wykazały, że jądro habenularne jest kluczowym obszarem docelowym odpowiedzialnym za zmiany patofizjologiczne w depresji, a także jej leczenie. Małe objętości i niezadowalający kontrast były zawiłymi problemami w obrazowaniu MR Hb. Ponadto czasochłonna ręczna segmentacja i brak standardów ilościowych w badaniach konwencjonalnych utrudniają postęp badań nad Hb. Na szczęście rozwój wieloparametrycznego ilościowego obrazowania MR o wysokiej rozdzielczości i szerokie zastosowanie technologii sztucznej inteligencji (AI) w obrazowaniu medycznym może po prostu zapewnić potężne wsparcie dla obrazowania, segmentacji i kwantyfikacji Hb. W ramach tego projektu proponuje się wykorzystanie anatomii MR Hb w wysokiej rozdzielczości w połączeniu z fuzją multimodalną do 1) skonstruowania modelu automatycznej segmentacji 3D obrazów MR Hb w oparciu o gęsto połączone wielokanałowe rozszerzone konwolucyjne sieci neuronowe; 2) przesiać ilościowe sygnatury obrazowania związane ze skutecznością leków przeciwdepresyjnych za pomocą metodologii radiomiki iw połączeniu z informacjami klinicznymi skonstruować zindywidualizowany model prognozowania skuteczności leczenia.

Ogólnie rzecz biorąc, niniejsze badanie koncentruje się na przełożeniu badań podstawowych na zastosowania kliniczne w nadziei na dostarczenie wymiernych obiektywnych markerów obrazowania w praktyce klinicznej, ułatwienie podejmowania decyzji klinicznych i doprowadzenie do zindywidualizowanej, precyzyjnej diagnozy i leczenia.