使用[F]-FDG PET对中脑低代谢的随机森林分析可以在主体水平上识别帕金森病

科学领域:

• 神经学 神经学
• 核医学就是核医学.
• 机器学习 机器学习

背景情况:

• 帕金森病 (PD) 诊断严重依赖于临床判断,神经成像发挥支持作用.
• 之前的研究已经确定中脑低代谢是区分PD患者使用[18F]-氧葡萄糖 ([18F]-FDG) PET扫描的关键代谢特征.
• 纵向研究和独立研究强调了帕金森综合征中尼格拉代谢的诊断潜力.

研究的目的:

• 用机器学习方法评估[18F]-FDG PET测量的中脑代谢,作为PD的诊断标记.
• 根据中脑代谢活动,评估机器学习模型在区分PD患者与健康对照中的准确性和稳定性.

主要方法:

• 机器学习方法,特别是随机森林分类器,应用于从定义的中脑集群的基于voxel的[18F]-FDG吸收值.
• 从51名中期PD患者和16名健康对照人群中获得了高分辨率[18F]-FDG PET扫描.
• 为了测试该模型的性能和稳定性,采用了一种经过调整的"一次排除"交叉验证策略.

主要成果:

• 随机森林模型在区分PD患者与验证数据集中的对照中实现了0.91的平均灵敏度.
• 该模型表现出高准确度,当每个被用作67次运行中的测试数据集时,正确分类所有个体.
• 特征重要性分析始终强调中脑内的声音,特别是与左黑质交汇的声音,对于分类至关重要.

结论:

• 通过[18F]-FDG PET评估的中脑代谢,用机器学习分析,显示出作为PD客观诊断工具的重大前景.
• 这种方法的高分辨准确性表明它有可能提高PD诊断和临床试验的患者分类,可能延伸到前期疾病阶段.