推进创伤后发作分类和生物标志物识别:基于信息分解的多式联络融合和可解释的机器学习,缺少神经成像数据
Md Navid Akbar1, Sebastian F Ruf1, Ashutosh Singh1
1Cognitive Systems Lab, Dept. of Electrical and Computer Engineering, College of Engineering, Northeastern University, 360 Huntington Ave, Boston, MA 02115, United States of America.
概括
在创伤性脑损伤 (TBI) 后的晚期创伤后发作 (LPTS) 可以导致. 这项研究确定了特定的MRI异常作为潜在的生物标志物,以预测哪些TBI患者可能会患上创伤后 (PTE).
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:
- 创伤性脑损伤 (TBI) 可以导致创伤后发作 (LPTS),可能导致终身创伤后 (PTE).
- 预测PTE发展和确定TBI患者的生物标志物至关重要,但由于难以捉摸的发机制,这是一个挑战.
研究的目的:
- 开发一种预测模型,用于识别患有LPTS风险的TBI患者.
- 确定可靠的神经成像生物标志物,用于预测TBI患者的LPTS.
主要方法:
- 收集了48名TBI患者的纵向多式联络数据.
- 采用监督的二元分类方法,比较LPTS和非LPTS组.
- 开发了新的聚变算法 (RECC,IDSF) 并利用归算技术来处理缺失的数据模式.
- 基于核心或树的应用分类器和可解释的机器学习 (Shapley值).
主要成果:
- 拟议的信息分解和选择性融合 (IDSF) 算法显示出卓越的性能 (AUC).
- 确定了特定的MRI异常作为潜在的生物标志物:内部囊的左前肢 (dMRI) 和右中旋 (fMRI).
结论:
- 该研究成功地确定了潜在的神经成像生物标志物,用于预测TBI患者的LPTS.
- 在临床预测任务中,IDSF算法提供了一种多模式数据融合的有效方法.


