协调健康的队列,以支持使用脑MRI数据对偏头痛分类的多中心研究

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 多中心和多扫描仪脑MRI研究对于开发准确的预测模型至关重要,但由于异质性而面临数据概括性的挑战.
• 参与者特征,MRI扫描仪和采集协议的微妙差异可能会限制机器学习模型在不同数据集中的适用性.
• 确保分类模型的通用性对于大规模神经成像研究中的可重现结果至关重要.

研究的目的:

• 开发和验证多中心脑MRI研究的数据协调策略.
• 确定健康对照的同质队列 ("健康核心"),以提高机器学习模型的通用性.
• 提高机器学习模型的准确性,用于分类偏头痛患者和健康对照.

主要方法:

• 利用最大平均差异 (MMD) 来比较地理流核 (GFK) 空间内的数据集.
• 制定了一项策略,从多中心队列中确定具有相似特征的参与者的"健康核心".
• 应用机器学习技术对偏头痛患者和健康对照进行分类,使用来自两个不同的数据集的大脑MRI数据.

主要成果:

• 数据协调战略成功地确定了一组同质的健康对照组.
• 使用"健康核心"数据集改善了分类模型的性能.
• 观察到大约25%的准确性改善,用于分类偶发性和慢性偏头痛.

结论:

• 从统一的数据中获得的"健康核心"可以减轻多中心研究中不必要的异质性.
• 这种方法促进了用于神经成像分析的更准确和更可概括的机器学习模型的开发.
• 拟议的战略提供了一个可行的解决方案,以提高机器学习应用在偏头痛研究中的可靠性和可重复性.