通过基于MRI的可解释机器学习来诊断中风患者的认知和运动障碍水平

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 无线电学 (Radiomics) 是一种无线电学.

背景情况:

• 在全球范围内,中风是导致长期残疾的主要原因.
• 脑卒中后的评估对于患者的康复和护理至关重要.
• 传统的中风疾病评估是耗时和劳动密集的.

研究的目的:

• 开发一种自动化算法,用于对中风患者的运动和认知障碍进行分类.
• 为了利用3D脑MRI数据,提高诊断能力.
• 帮助医生及时准确诊断中风相关损伤.

主要方法:

• 从3D脑部MRI (OAx T2螺旋) 中提取放射学和融合特征.
• 应用14个机器学习模型和预测组合方法.
• 使用精度,回忆,F1得分和AUC进行评估,并使用SHAP进行模型解释性.

主要成果:

• 具有融合特征的随机森林 (RF) 分类器实现了认知障碍分类的高准确性.
• 带有放射学特征的线性差异分析 (LDA) 在运动障碍分类中表现出色.
• 在认知障碍方面达到92.0%的最高准确率,在运动障碍方面达到82.5%.

结论:

• 3D脑部MRI,特别是具有放射学特征,可以有效地分类中风引起的认知和运动障碍.
• 拟议的人工智能算法为临床诊断提供了一种高效,成本效益和客观的工具.
• 这种方法提高了诊断的准确性,并减少了主观性与手动评估相比.