传感器级MEG与机器学习相结合,可以对轻度创伤性脑损伤患者进行可靠的分类
Juho Aaltonen1, Verna Heikkinen1, Hanna Kaltiainen2
1BioMag Laboratory, HUS Medical Imaging Center, Helsinki University Hospital, Helsinki University and Aalto University School of Science, P.O. Box 340, 00029 HUS Helsinki, Finland; Department of Neuroscience and Biomedical Engineering, Aalto University School of Science, Aalto University, P.O. Box 12200, 00760 AALTO, Finland.
概括
机器学习使用磁脑摄影 (MEG) 精确地分类轻度创伤性脑损伤 (mTBI) 的大脑活动. 这种可靠的方法显示了对mTBI的临床诊断的希望.
科学领域:
- 神经科学是一个神经科学.
- 医疗技术 医疗技术 医学技术
- 机器学习 机器学习
背景情况:
- 轻度创伤性脑损伤 (mTBI) 的诊断是困难的,因为非特异性症状和缺乏清晰的成像发现.
- 对于各种不同人群的mTBI,有必要提供可访问和可靠的诊断工具.
研究的目的:
- 评估线性机器学习 (ML) 方法来对mTBI患者与健康对照进行分类.
- 为了评估ML的有效性,在创伤后的亚急性阶段使用传感器级磁脑电图 (MEG) 功率谱.
主要方法:
- 休息状态MEG数据从两个独立的队列 (25+25和20+20患者/对照组) 中收集.
- 三种线性ML方法应用于传感器级MEG功率谱.
- 对每个数据集进行单独分析.
主要成果:
- 平均分类准确度在80%至95%之间.
- 在ML方法或数据集之间没有观察到精度的显著差异.
- 基于ML的分类显著优于传统的传感器级MEG分析,用于检测病态低频活动.
结论:
- 线性ML方法提供了一种可靠和可重复的方法,用于使用传感器级MEG数据对mTBI进行分类.
- 与ML结合的功率光谱分析显示出高精度和在mTBI诊断中临床应用的重大潜力.
