机器学习方法以使用MRI数据识别运动障碍中受影响的大脑区域:系统审查和诊断元分析
Sadegh Ghaderi1, Mahdi Mohammadi2, Fatemeh Sayehmiri3
1Department of Neuroscience and Addiction Studies, School of Advanced Technologies in Medicine, Tehran University of Medical Sciences, Tehran, Iran.
Journal of magnetic resonance imaging : JMRI
|March 27, 2024
概括
机器学习与磁共振成像 (MRI) 结合,有效地识别了运动障碍中的大脑变化. 结构性MRI (sMRI) 在检测异常方面表现出高灵敏度,特别是在皮层下区域.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 运动障碍 运动障碍
背景情况:
- 像帕金森病这样的运动障碍涉及大脑结构和功能变化.
- 先进的MRI技术和ML为识别成像生物标志物提供了潜力.
研究的目的:
- 系统地识别大脑中受运动障碍影响最严重的区域,使用MRI数据上的ML.
- 在运动障碍神经成像中进行ML应用的系统审查和诊断元分析.
主要方法:
- 在2023年6月之前发表的67项研究 (6,285名患者) 的系统综述和诊断元分析.
- 包括使用1.5T或3TMRI扫描仪与扩散张力成像 (DTI),结构MRI (sMRI) 或功能MRI (fMRI) 的研究.
- 使用随机效应模型对灵敏度,特异性,准确性和曲线下的面积进行了聚合分析.
主要成果:
- 结构性MRI (sMRI) 在检测区域异常方面表现出最高的灵敏度 (93%).
- 混合MRI模式实现了最高的特异性 (90%).
- sMRI对皮下变化的敏感度为94%,支持矢量机 (93%) 和物流回归 (91%) 模型具有高的诊断准确性.
结论:
- 将先进的MRI技术与ML相结合,是运动障碍生物标志物发现的有希望的策略.
- 皮下结构经常与运动障碍有关.
- 结构性MRI显示出诊断这些疾病的巨大潜力.
