使用机器学习算法和形态学磁共振成像数据的偏头痛与光环检测和亚型分类
Katarina Mitrović1, Igor Petrušić2, Aleksandra Radojičić3,4
1Department of Information Technologies, Faculty of Technical Sciences in Čačak, University of Kragujevac, Čačak, Serbia.
Frontiers in neurology
|July 13, 2023
概括
机器学习使用MRI数据准确地区分偏头痛与光环 (MwA) 患者和健康人群. 这种方法也精确地区分了简单和复杂的MwaA亚型,为改进诊断和定制治疗铺平了道路.
科学领域:
- 神经学 神经学
- 放射学 放射学是一门学科.
- 机器学习 机器学习
- 医学诊断 医学诊断 医学诊断
背景情况:
- 带有光环的偏头痛 (MwA) 是一种普遍的神经疾病,影响全球约5%的人口.
- MwA表现出多样化的症状,需要先进的诊断和分类技术来进行个性化治疗.
- 目前的诊断方法需要改进,以便在MWA中准确的表型和生物标志物验证.
研究的目的:
- 开发和评估机器学习模型,以区分MwaA患者与健康对照.
- 使用神经成像数据区分简单的MWA和复杂的MWA亚型.
- 确定关键的神经成像特征,表明MWA及其亚型.
主要方法:
- 利用后处理的磁共振成像 (MRI) 数据,包括皮质厚度,表面积,体积,高斯曲率和折叠指数.
- 从78名受试者收集数据:46名MWA患者 (22个简单,24个复杂) 和32名健康对照.
- 在340个不同的神经成像特征上训练了机器学习算法.
主要成果:
- 在区分MwaA患者和健康个体方面取得了97%的分类准确度.
- 在区分简单和复杂的MWA亚型时,获得了98%的准确性.
- 鉴定出特定的皮质厚度特征 (左极,右舌环,左) 对于MWA分类至关重要, (左环,左) 对于亚型分化至关重要.
结论:
- 对后处理的MRI数据的机器学习分析为MWA诊断和亚型分类提供了高度准确的方法.
- 确定的神经成像特征可以作为MWA及其亚型的潜在生物标志物.
- 这种方法具有很大的潜力,可以推进MWA患者的诊断和治疗策略.
