基于机器学习的慢性创伤性脑损伤的分类,使用混合扩散成像
Jennifer J Muller1,2, Ruixuan Wang1,2, Devon Milddleton2
1College of Engineering, Villanova University, Villanova, PA, United States.
Frontiers in neuroscience
|September 11, 2023
概括
像扩散张力成像 (DTI) 和神经元定向分散成像 (NODDI) 等先进的成像技术显示,作为创伤性脑损伤 (TBI) 症状严重性的生物标志物,其表现优于传统方法.
科学领域:
- 神经成像是一种神经成像.
- 生物标志物发现发现
- 机器学习在医学中的应用
背景情况:
- 创伤性脑损伤 (TBI) 可以导致渐进的神经病理和慢性损伤.
- 迫切需要可靠的生物标志物来检测和监测TBI进展和严重程度.
- 当前的监测方法可能无法完全捕捉神经损伤的程度.
研究的目的:
- 评估基于数据的扩散张力成像 (DTI) 和神经元导向分散成像 (NODDI) 的数据驱动分析,以开发TBI生物标志物.
- 为了比较DTI和NODDI生物标志物的疗效与传统的T1加权成像.
- 为了确定先进的成像生物标志物是否可以推断TBI症状严重程度.
主要方法:
- 使用慢性TBI患者的混合扩散成像 (HYDI) 数据开发机器学习模型.
- 从HYDI数据中提取了相关特征.
- 训练并比较基于DTI,NODDI和T1加权成像的分类模型.
主要成果:
- 基于DTI的机器学习模型达到58.7-73.0%的准确率,NODDI达到64.0-72.3%的准确率.
- 这些精度显著超过了传统的T1加权成像,其精度为51.7-56.8%.
- 使用扩散权重成像的特征选择和分类算法显示出卓越的性能.
结论:
- 基于机器学习的DTI和NODDI分析显著优于传统的T1加权成像用于TBI评估.
- 使用扩散权重成像特征的先进算法可以有效地推断出慢性脑损伤症状.
- 这些发现支持开发新的生物标志物,以改善TBI管理.
