探索fNIRS技术在帕金森病早期检测中的应用和挑战

科学领域:

• 神经科学是一个神经科学.
• 医疗技术 医疗技术 医学技术
• 人工智能的人工智能

背景情况:

• 帕金森病 (PD) 诊断受益于早期检测,以有效管理.
• 目前的PD诊断方法往往是侵入性的,迟到的或昂贵的,在早期的非侵入性检测中造成了关键的差距.
• 早期干预对帕金森病患者至关重要,但及时诊断仍然是一个挑战.

研究的目的:

• 评估将功能近红外光谱学 (fNIRS) 与用于早期发现帕金森病 (PD) 的机器学习算法相结合的诊断效率和准确性.
• 评估使用fNIRS和机器学习来诊断早期PD的临床可行性.
• 通过神经成像和人工智能识别关键的大脑区域和通道,以改善PD诊断.

主要方法:

• 收集了120名PD患者和60名健康对照组使用fNIRS (ETG-4000) 的脑血氧数据.
• 使用一般线性模型提取β值的fNIRS数据.
• 开发并比较了四种机器学习模型 (SVM,K-NN,RF,LR) 并应用了SHAP以获得可解释性.

主要成果:

• 支持矢量机 (SVM) 模型在区分PD患者和对照者方面实现了高准确度 (85%),f1得分为0.85,ROC AUC为0.95.
• 在SHAP分析中,发现CH01,CH04,CH05,CH08道对诊断模型的贡献最大.
• 基于SVM的模型在早期检测帕金森病方面表现强.

结论:

• 机器学习模型,特别是SVM,显示出使用fNIRS数据对帕金森病的早期,非侵入性诊断具有重大潜力.
• 前极皮质 (FPC) 区域被强调为未来早期PD诊断研究的关键领域.
• 这种结合fNIRS和机器学习的方法为PD早期检测提供了可行和准确的临床应用方法.