最初の未誘発の発作後に発作の再発を予測するための構造脳イメージングバイオマーカー

科学分野:

• 神経画像は,神経イメージングによるものです.
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
• エピレプシの研究研究

背景:

• 最初の未誘発発作 (FUS) の後に発作の再発を予測することは,特に通常のルーチンMRIとEEGでは,臨床的に困難です.
• 微妙な脳の構造的異常は,のリスクを示す可能性があります.

研究 の 目的:

• 12ヶ月で発作の再発の予測モデルに定量的構造的MRIバイオマーカーを組み込む.
• 発作の再発を予測する特定の脳の構造的特徴を特定するために.

主な方法:

• 197人のFUS患者 (83人が再発し,114人が再発していない) と正常/診断されていないMRI/EEGの成人の患者の遡及的分析.
• FreeSurferを使用した3T T1加重型MRIから形態測定特性の抽出.
• 機械学習アルゴリズム (SVM) のトレーニングは,イメージングと臨床機能の組み合わせで,臨床機能のみのロジスティック回帰と比較します.

主要な成果:

• 最高のSVMモデルは,0.65のAUCを達成し,確率 (p=0.01) よりも有意に優れていた.
• 臨床的要因のみによるロジスティック回帰では,確率と統計的に異なる (p=0.28) で,AUCは0.57でした.
• 重要なイメージング予測因子には,灰色の質量の半球間非対称性および地域的な回転曲線 (フロント・パリエタル・リンビック領域) が含まれていた.

結論:

• 定量構造MRIは,発作再発の臨床的要因を超えて,追加の予測情報を提供します.
• 皮質の折りたたみの変化と灰色の質の非対称性は,FUS後に発作再発リスクの潜在的な予後バイオマーカーです.