评估机器学习模型以预测年龄与内血管曲度和厚度信息的评估.

科学领域:

• 神经成像是一种神经成像.
• 医疗人工智能 医疗人工智能
• 生物医学工程 生物医学工程

背景情况:

• 脑血管健康评估对于诊断和管理神经疾病至关重要.
• 衰老与内血管形态的变化有关,包括形和直径.
• 磁共振血管学 (MRA) 提供脑血管结构的详细3D可视化.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于预测时间年龄.
• 为了研究从MRA获得的内血管扭曲度和直径特征对年龄预测的有用性.
• 识别有助于年龄预测准确性的关键血管特征.

主要方法:

• 从171名受试者的3D飞行时间MRA数据中提取曲率 (角度计数的和,三角形指数,相对长度,角度距离的乘积) 和直径特征.
• 训练和验证六种ML回归模型 (包括随机森林和线性回归),使用内动脉 (ICA) 和基底动脉的特征.
• 用四重交叉验证来评估模型性能.

主要成果:

• 随机森林回归模型实现了最低的根平均平方误差 (14.9年) 和最高的确定系数 (0.186).
• 线性回归模型显示了最低的平均绝对百分比误差 (MAPE) 和最高的皮尔森相关系数 (0.532).
• 在两个回归模型中,右ICA船段的平均直径成为两个回归模型中最重要的特征.

结论:

• 使用MRA衍生的曲率和直径特征的ML模型显示预测和实际年龄之间存在温和的相关性.
• 这些发现表明,使用血管成像生物标志物进行非侵入性年龄估计的潜力.
• 需要进行进一步的研究,以评估内血管疾病患者群体的模型性能.