使用规范建模和机器学习来检测轻度创伤性脑损伤的磁脑摄影数据

科学领域:

• 神经科学是一个神经科学.
• 生物标志物发现发现
• 医学诊断 医学诊断 医学诊断

背景情况:

• 诊断轻度创伤性脑损伤 (mTBI) 由于非特异性症状而具有挑战性.
• 现有的mTBI的EEG/MEG生物标志物受到个人间显著变化的限制.
• 目标生物标志物对于准确的mTBI诊断和管理至关重要.

研究的目的:

• 开发一种机器学习方法,使用静止状态MEG数据检测mTBI.
• 通过使用规范模型来解决大脑信号的个体间变异性.
• 为了确定可靠的基于MEG的生物标志物用于mTBI诊断.

主要方法:

• 使用多变量机器学习方法,使用支持向量机器分类器.
• 使用621名健康参与者的数据集进行规范建模,以确定MEG功率光谱的正常变化.
• 在量化偏差图上训练有素的分类器将25名mTBI患者与20名健康对照进行比较.

主要成果:

• 最好的分类器在将mTBI患者与对照患者区分时达到79%的准确性.
• 对MEG数据的规范建模有效考虑了个体间的变化.
• 低频度 (4-8 Hz) 甲基频段活动被确定为mTBI的显著指标.

结论:

• 机器学习与MEG数据的规范建模相结合,可用于mTBI诊断.
• 这种方法可以识别那些可能受益于有针对性的治疗和康复的患者.
• 该方法有可能用于开发使用MEG/EEG的各种大脑疾病的生物标志物.