机器学习模型用于使用灰质形态网络来诊断基本震和 dystonic 震
Honge Gui1, Pan Xiao1, Bintao Xu1
1Department of Radiology, The First Affiliated Hospital of Chongqing Medical University, Chongqing, China.
Parkinsonism & related disorders
|May 8, 2024
概括
基本震 (ET) 和 dystonic震 (DT) 是常见的,经常被误诊的疾病. 这项研究使用大脑灰质网络和机器学习来区分ET和DT,实现高精度并揭示关键的大脑网络差异.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 机器学习在医学中的应用
背景情况:
- 基本震 (ET) 和 dystonic tremor (DT) 是普遍存在的震障碍,症状重叠,导致频繁的误诊.
- 了解它们独特的基础结构网络机制对于准确的诊断至关重要.
研究的目的:
- 探索使用灰色物质 (GM) 形态网络区分基本震动 (ET) 和静态震动 (DT) 的结构网络机制.
- 根据这些网络,评估机器学习模型在对ET,DT和健康对照 (HC) 的分类方面的有效性.
主要方法:
- 获得了来自75名ET患者,71名DT患者和79名HC患者的3D-T1结构MRI数据.
- 使用库尔巴克-莱布勒基于分歧的相似性 (KLS) 方法构建的GM形态网络.
- 利用GM体积,形态关系和网络拓属性作为机器学习分类器的特征.
主要成果:
- 确定了16种形态关系和1种全球拓度量作为歧视性特征,主要涉及大脑 - 脑皮层 - 皮质和基底质回路.
- 随机森林分类器实现了三类分类 (ET,DT,HCs) 的最高准确率 (78.7%).
- 二元分类的表现很强:ET与HC (83.0%mACC),ET与DT (95.2%mACC),以及DT与HC (89.3%mACC). 四个特征与临床特征有显著的相关性.
结论:
- 这项研究为ET和DT的独特结构网络机制提供了新的见解.
- 将GM-KLS形态网络与机器学习相结合,为区分ET,DT和健康个体提供了一种有效的方法.
