在使用机器学习的脊髓损伤计算模型中识别受伤的元素
概括
机器学习算法可以使用计算模型识别脊髓损伤 (SCI) 组织损伤. K-最近邻居和后勤回归在区分受伤组织元素方面表现有前途.
科学领域:
- 生物医学工程 生物医学工程
- 计算神经科学是一种神经科学.
- 机器学习应用 机器学习应用
背景情况:
- 脊髓损伤 (SCI) 研究需要准确的方法来识别组织损伤.
- 计算模型,如有限元 (FE) 模型,提供了一种方法来模拟SCI期间的机械负荷.
- 将机械输出与实际组织损伤联系起来对于模型验证和临床相关性至关重要.
研究的目的:
- 应用机器学习 (ML) 算法来识别脊髓损伤 (SCI) 模型中的组织损伤.
- 评估不同ML算法的性能,检测灰质,白质和结合组织的损伤.
- 将基于ML的损伤识别与非人类灵长类动物SCI实验中的组织学数据进行比较.
主要方法:
- 训练有素的ML模型使用从SCI组织学图像和特定主体FE模型中获得的数据集.
- 使用了三个数据集:灰色物质,白色物质和灰色和白色物质的组合.
- 通过交叉验证和AUC评估了四个ML算法 (k-最近邻居,逻辑回归,支持向量机,决策树).
- 执行超参数调整以优化算法性能.
主要成果:
- 在算法中实现的AUC平均值在0.79和0.82 (SD ≤0.02) 之间.
- 在识别受损元素方面,K-近邻和后勤回归性能优于支向量机和决策树.
- 精度和回忆等性能指标有所不同,这表明算法对数据特征和组织类型的敏感性.
结论:
- 机器学习算法显示出从计算模型输出中识别SCI相关组织损伤的潜力.
- 算法选择和特征定义可能需要针对不同组织类型 (灰质与白质) 和数据分布进行优化.
- 这种方法可以提高对SCI机械负荷影响的理解,并为预防策略提供信息.
