机器学习分析揭示了视网膜脱落患者中低频波动幅度的异常动态变化
Yu Ji1, Yuan-Yuan Wang2, Qi Cheng1
1Department of Ophthalmology, The First Affiliated Hospital of Nanchang University, Nanchang, Jiangxi, China.
Frontiers in neuroscience
|August 7, 2023
概括
视网膜脱落 (RD) 患者表现出改变的动态大脑活动,特别是在前和后区域. 低频波动动态振幅 (dALFF) 分析揭示了不同的大脑活动模式,有助于 RD 诊断.
科学领域:
- 神经成像是一种神经成像.
- 大脑活动分析 分析大脑活动
- 医学诊断 医学诊断 医学诊断
背景情况:
- 越来越多的证据表明,视网膜脱落 (RD) 患者的脑活动异常.
- 以前的神经成像研究主要集中在RD患者的静态大脑活动变化上.
- 对于RD中的动态大脑活动特征的理解有限.
研究的目的:
- 为了评估RD患者的动态大脑活动变化.
- 调查低频波动动态振幅 (dALFF) 在RD的特征化中的实用性.
- 评估dALFF在RD的临床诊断中的潜力.
主要方法:
- 利用了23名RD患者和24名健康对照者的休息状态功能磁共振成像 (rs-fMRI) 数据.
- 使用低频波动的动态振幅 (dALFF) 分析与k-means集群和支持向量机 (SVM) 分类.
- 在三个不同的时间窗口大小中检查了dALFF指数.
主要成果:
- 与HC相比,RD患者在dALFF中表现出显著的差异,其中包括中额头状圈等区域的活性增加和上额头状圈的活动减少.
- 鉴定出不同的dALFF状态和时间性质,RD患者表现出更多状态之间的过渡.
- 通过使用基于dALFF值的SVM,实现了高分类准确率 (93.62100%) 来区分RD患者和HC患者.
结论:
- 这些发现提供了对视网膜脱落背后的神经病理学的关键见解.
- 动态大脑活动模式,特别是dALFF,显示出作为RD临床诊断的可靠生物标志物的潜力.
