通过融合多个MRI形态指标和整体机器学习来识别轻度认知障碍的白血病
Yifeng Yang1, Ying Hu2, Yang Chen1
1School of Health Science and Engineering, University of Shanghai for Science and Technology, 200093, Shanghai, People's Republic of China.
Journal of imaging informatics in medicine
|February 12, 2024
概括
使用MRI特征的集体学习方法有效地识别了白血病患者的轻度认知障碍. 这种方法提高了轻度认知障碍 (LA-MCI) 的白内障病的诊断准确性,而不是没有认知障碍 (LA-nCI) 的白内障病.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 白血病 (LA) 与认知能力下降和痴呆症风险有关.
- 准确识别LA患者的轻度认知障碍 (LA-MCI) 对于及时干预和疾病管理至关重要.
研究的目的:
- 开发和验证一个集体学习模型,以使用MRI衍生的形态特征来区分LA-MCI和没有认知障碍的LA (LA-nCI).
主要方法:
- 提取了全面的MRI形态特征:灰质体积,皮质厚度,表面积,皮质体积,硫深度,碎形维度和旋转指数.
- 采用了一个整体框架,结合了数据级重抽样方法 (Fusion+XGBoost) 和算法级焦损改进的XGBoost模型 (FL-XGBoost).
- 在加权软投票组合中使用极端梯度增强 (XGBoost) 分类器来解决类不平衡并提高分类性能.
主要成果:
- 基线XGBoost模型实现了78.20%的平衡精度.
- 单个组合组件提高了性能:Fusion+XGBoost (80.53%Bac) 和FL-XGBoost (81.25%Bac). 这两种组合组合组件提高了性能:Fusion+XGBoost (80.53%Bac).
- 合并组合模型在区分LA-MCI和LA-nCI方面获得了84.82%的整体准确性,灵敏度为85.50%,特异性为84.14%.
结论:
- 拟议的集体学习方法显著提高了区分LA-MCI和LA-nCI的准确性和稳定性.
- 这种基于MRI的先进方法显示了促进LA患者认知障碍的临床诊断和监测的潜力.
