通过基于MRI的机器学习算法MUQUBIA解释的神经退行性痴呆症的差异诊断
Silvia De Francesco1, Claudio Crema2, Damiano Archetti2
1Laboratory of Neuroinformatics, IRCCS Istituto Centro San Giovanni di Dio Fatebenefratelli, Brescia, Italy. sdefrancesco@fatebenefratelli.eu.
Scientific reports
|October 13, 2023
概括
一个新的机器学习算法,MUQUBIA,使用临床和MRI数据准确地区分阿尔茨海默氏症痴呆症,前性痴呆症和勒维体痴呆症. 这种工具有望帮助医生诊断常见的痴呆类型.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 对常见痴呆症的准确差异诊断至关重要.
- 机器学习 (ML) 提供了提高诊断准确性的潜力.
- 目前的诊断方法可能很复杂,耗时.
研究的目的:
- 开发和解释一个ML算法来区分阿尔茨海默氏症痴呆症,前性痴呆症,勒维体痴呆症和认知正常的对照.
- 利用包括社会人口统计,临床和MRI变量在内的多模式数据.
- 评估算法的性能和可解释性.
主要方法:
- 一个支持向量机模型,MUQUBIA,是使用5个数据库中的506个受试者的数据开发的.
- 使用FreeSurfer,LPA和TRACULA处理的MRI数据用于大脑指标.
- 社会人口统计学,临床 (CDR) 和19个成像特征被用于分类.
主要成果:
- 在测试组中,MUQUBIA模型实现了98%的曲线下面积.
- 观察到高整体精度 (88%),回忆 (88%) 和F1得分 (88%).
- 为了解释模型的结果,使用了夏普利添加式扩展 (SHAP).
结论:
- MUQUBIA算法有效地使用具有成本效益的临床和MRI数据对不同类型的痴呆症进行分类.
- 独立的验证证明了该算法在诊断中帮助临床医生的潜力.
- 这种多模式的ML方法显示了对差异性痴呆症诊断的希望.
