摘要目的构建基于卷积神经网络的儿童病毒性脑炎MRI分类与早期诊断模型，探讨其对儿童病毒性脑炎早期诊断、精准治疗和改善患儿预后的价值。材料与方法收集浙江大学医学院附属儿童医院2020至2022年期间颅脑MRI影像数据1077例，其中病毒性脑炎患儿577例，非病毒性脑炎儿童500例。运用卷积神经网络中的Squeeze-and-Excitation Residual Networks（SE-ResNet）模型构建儿童病毒性脑炎MRI分类与早期诊断模型并与Convolutional Block Attention Module Residual Networks（CBAM-ResNet）、Mobile Networks（MobileNet）、Residual Networks（ResNet）、Shuffle Networks（ShuffleNet）模型进行了对比。结果所有模型在训练集上都达到了收敛。SE-ResNet、CBAM-ResNet、MobileNet和ShuffleNet模型在训练集训练100轮后准确率都达到90%以上，而只有CBAM-ResNet模型和本研究选用的SE-ResNet模型在验证集上同样取得了90%以上的准确率。在测试集上，CBAM-ResNet具有最高的准确率73.91%，ResNet具有最高的召回率75.45%，但只有本文所用SE-ResNet模型在准确率和召回率都达到较高水平，并且取得最好的F1得分和曲线下面积（area under the curve, AUC）值：准确率为70.83%，召回率为72.73%，AUC为0.77，F1得分为0.7183。结论运用人工智能技术结合MRI实现儿童病毒性脑炎早期诊断是可行的，本研究为进一步实现全面的儿童脑炎早期诊断、精准治疗和改善脑炎患儿预后提供了理论和应用基础。
