通过使用功能近红外光谱和机器学习来诊断慢性肌肉骨疼痛
Xinglin Zeng1,2,3, Wen Tang4, Jiajia Yang4
1Institute of Medical Imaging, Hengyang Medical School, University of South China, Hengyang 421000, China.
Bioengineering (Basel, Switzerland)
|June 28, 2023
概括
使用功能近红外光谱学 (fNIRS) 的可穿戴大脑成像检测到慢性疼痛 (CP) 患者中明显的前额叶皮质 (PFC) 活动模式. 这项技术显示出客观CP诊断的前景,通过机器学习实现高精度.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 慢性疼痛 (CP) 显著改变大脑结构和功能,特别是前额叶皮质 (PFC),影响认知过程.
- 之前的研究缺乏非侵入性,低成本的神经成像方法,通过检查PFC活性来客观诊断CP.
研究的目的:
- 用功能近红外光谱学 (fNIRS) 调查慢性疼痛患者PFC的功能性改变.
- 开发基于fNIRS衍生的大脑活动模式和机器学习的CP自动诊断工具.
主要方法:
- 一项涉及19名CP患者和32名健康对照 (HC) 的病例控制研究.
- fNIRS用于测量功能连接 (FC),PFC活动,以及休息状态下自发大脑活动.
- 机器学习算法与交叉验证被用于自动诊断.
主要成果:
- 与HC相比,CP患者的PFC功能连接 (FC) 显著减弱,自发大脑活动增加.
- 在CP患者的PFC中观察到FC的显著更高的小世界性质.
- 监督机器学习在使用七个基于fNIRS的特征识别CP患者时获得了0.8229的F1得分.
结论:
- 休息状态fNIRS测量显示PFC中与慢性疼痛相关的独特的神经标志物.
- fNIRS与机器学习相结合,为诊断慢性肌肉骨疼痛提供了一个有希望的客观方法.
- 这项研究确立了fNIRS作为识别CP检测神经标记物的潜在工具.
