基于扩散张力图像的机器学习研究,以区分神经性厌食症和神经性厌食症

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 饮食障碍 饮食障碍 饮食障碍 饮食障碍

背景情况:

• 神经性厌食症 (AN) 和神经性食欲症 (BN) 由于症状重叠而存在诊断挑战.
• 机器学习 (ML) 提供了一种改善没有预定义变量的分类方法.
• 区分AN和BN对于有效治疗至关重要.

研究的目的:

• 使用ML模型区分神经性厌食症 (AN) 和神经性嗜食症 (BN).
• 通过扩散张力成像 (DTI) 识别AN和BN的潜在神经成像生物标志物.
• 评估ML在分类饮食障碍亚型中的有效性.

主要方法:

• 一项横截面研究包括58名被诊断为AN或BN的未经药物治疗的女性患者.
• 收集了扩散张力成像 (DTI) 数据,包括分数异构 (FA),轴向扩散 (AD),辐射扩散 (RD) 和平均扩散 (MD).
• 支持矢量机 (SVM) 模型是使用 LIBSVM, MATLAB 和 FSL 软件构建的.

主要成果:

• 阿尔茨海默病模型的AUC值为0.793 (准确率为75.86%),将左中圈 (MTG_L) 和左上圈 (STG_L) 确定为关键区分区域.
• 与BN患者相比,AN患者在MTG_L和STG_L中显示出明显较低的AD.
• 在AN和BN组之间没有发现FA,MD或RD值的显著差异 (p > 0.001).

结论:

• 使用DTI的机器学习模型可以有效地区分AN和BN.
• 左中旋 (MTG_L) 和左上旋 (STG_L) 显示为神经成像生物标志物,用于区分AN和BN.
• 基于DTI的ML提供了一种新的方法来客观地分类饮食障碍.