将图形网络与内核SVM集成,以及用于识别SCA12中的生物标志物及其诊断的后勤回归
Snigdha Agrawal1, Ramesh Kumar Agrawal1, S Senthil Kumaran2
1School of Computer and Systems Sciences, Jawaharlal Nehru University, New Mehrauli Road, New Delhi-110067, India.
Cerebral cortex (New York, N.Y. : 1991)
|April 28, 2024
概括
一个新的机器学习框架有助于诊断12型脊髓小脑动症 (SCA12),一种遗传性神经退行性疾病. 该系统识别受缩影响的大脑区域,使得早期和更准确的临床诊断成为可能.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 脊髓小脑动症12型 (SCA12) 是一种在印度普遍存在的遗传性神经退行性疾病.
- 目前的诊断方法缺乏用于早期检测和识别成像生物标志物的非侵入性,自动化系统.
- 需要先进的工具来识别SCA12中的疾病特异性大脑变化.
研究的目的:
- 开发一种新的四相机器学习框架,用于诊断12型脊髓小脑动症.
- 使用结构磁共振成像 (sMRI) 识别疾病特异性缩大脑区域.
- 用自动化分析来区分SCA12患者和健康个体.
主要方法:
- 使用大脑区域3D离散波纹转换的特征提取.
- 通过基于图形网络的方法选择区域.
- 使用内核支持向量机 (KSVM) 和规范后勤回归进行分类.
- 使用Shapley添加式扩张 (SHAP) 识别与缩相关的区域.
主要成果:
- 在区分SCA12和健康对照时,获得了95%的分类准确度和94.92%的F1得分.
- 在SCA12患者中确定了与缩相关的特定大脑区域.
- 统计分析证实了与对照组相比,受影响个体的体积变化.
结论:
- 拟议的机器学习框架在诊断12型脊髓小脑动症时表现出高效率.
- 该系统可以精确地确定关键的缩区域,有助于了解疾病机制.
- 这种非侵入性方法为SCA12的早期和及时的临床诊断提供了潜力.
