机器学习通过低频波动幅度检测威尔逊病的机器学习

科学领域:

• 神经成像是一种神经成像.
• 遗传学 遗传学 是一个
• 生物标志物 生物标志物

背景情况:

• 威尔逊病 (WD) 是一种由ATP7B基因突变引起的遗传疾病.
• 由于其复杂的表现,WD的临床诊断可能具有挑战性.
• 确定可靠的生物标志物用于WD诊断对于早期干预至关重要.

研究的目的:

• 研究低频波动 (ALFF) 振幅作为威尔逊病的诊断生物标志物的潜力.
• 评估机器学习模型在使用ALFF对WD患者的分类中的有效性.

主要方法:

• 休息状态功能磁共振成像 (rs-fMRI) 数据从37名WD患者和30名健康对照 (HC) 中获得.
• 提取并分析了ALFF值,以确定组之间的差异.
• 机器学习模型 (随机森林,支持向量机,物流回归) 使用来自特定大脑区域的ALFF数据进行训练.

主要成果:

• 与HC患者相比,WD患者的ALFF-z值显著更高的四个群体被确定,特别是在小脑,双边丘脑和双边尾状核区域.
• 机器学习模型训练的ALFF数据从体 (集群3) 和右尾状核 (集群4) 实现了曲线下的面积 (AUC) > 0.80.
• 使用 thalamus ALFF (Cluster3) 的物流回归和随机森林模型在测试组中表现出高的特异性,灵敏性和准确性.

结论:

• 泰拉马斯和尾状核中的ALFF显示为有效的生物标志物,有望将威尔逊病患者与健康个体区分开来.
• 机器学习模型,特别是物流回归和随机森林,可以使用这些基于ALFF的标记器准确地分类WD.
• 与单独基于ALFF的模型相比,多式联运信息的融合并没有显著提高分类性能.