Automatic choroid plexus assessment in SLE: a deep learning-enabled study

doi:10.1007/s00234-026-04028-2

Automatic choroid plexus assessment in SLE: a deep learning-enabled study

2026-06-01

0

PRE

AI

DOI：10.1007/s00234-026-04028-2

原文链接

原文求助

摘要

En 中文

目的本研究开发了一种用于自动脉络丛（ChP）分割的深度学习模型，并探讨了其与系统性炎症以及处理速度和注意力缺陷（PSAD）在无主要神经精神综合征系统性红斑狼疮（SLE）患者中的关系。方法在这项多中心回顾性研究中，纳入137例无主要神经精神综合征的SLE患者和159例健康对照（HCs）。Swin-UNETR模型在3D T1加权MR图像上训练用于ChP分割。SLE患者被分类为存在处理速度和注意力缺陷（SLE-PSAD，n = 43）或处理速度和注意力完整（SLE-IPSA，n = 94）。比较各组间的临床、实验室和影像学数据。进行了相关性、中介和LASSO回归分析。结果 Swin-UNETR达到了高分割精度（中位DSC = 0.89内部，0.82外部，P < 0.001）。ChP体积在SLE-PSAD患者中显著大于SLE-IPSA患者和HCs（P < 0.001），并与系统性炎症指数（SII，r = 0.34，P < 0.001）呈正相关。贝叶斯逻辑回归识别出增大的ChP体积（aOR = 2.57）、升高的SII（aOR = 2.47）和低补体成分3（C3，aOR = 0.47）为PSAD的独立风险因素。ChP体积介导了SII-PSAD关系的39.2%（P < 0.001）。LASSO回归识别出一个最小三生物标志物模型（ChP体积 + C3 + SII），具有优异的鉴别能力（AUC = 0.79训练，0.77验证）。结论增大的ChP体积是SLE患者PSAD的生物标志物和中介。Swin-UNETR模型实现了准确的ChP量化，而三生物标志物面板为SLE-PSAD风险分层提供了实用工具。

Keyword:

Systemic lupus erythematosus

Magnetic resonance imaging

Processing speed and attention deficits

Choroid plexus

Deep learning

Automatic choroid plexus assessment in SLE: a deep learning-enabled study

摘要

期刊

机构