基于步态和MRI图像的轻度认知障碍阶段的机器学习模型
Ingyu Park1, Sang-Kyu Lee2, Hui-Chul Choi3
1Department of Electronic Engineering, Hallym University, Chuncheon 24252, Republic of Korea.
Brain sciences
|May 25, 2024
概括
机器学习模型可以使用步态和大脑MRI数据准确地区分轻度认知障碍 (MCI) 的早期和晚期. 在步态分析中,单次支时间是分类MCI进展的最重要的预测因素.
科学领域:
- 神经学 神经学
- 老年学是一门学科.
- 生物医学工程 生物医学工程
背景情况:
- 轻度认知障碍 (MCI) 表示认知功能下降,增加痴呆风险.
- 步行障碍和脑MRI结构变化与MCI患者的认知能力下降相关.
研究的目的:
- 用步态参数和脑MRI数据来分类轻度认知障碍 (MCI) 的阶段.
- 确定可靠的预测因素,以区分早期阶段的MCI和晚期的MCI.
主要方法:
- 80名MCI患者被招募并根据MMSEz分数将其分为早期或晚期阶段.
- 一个机器学习模型,特别是一个卷积神经网络 (CNN),使用步态和MRI数据进行训练.
- 采用多模式特征,包括步态参数和白质数据集,以优化分类.
主要成果:
- 该CNN模型在区分晚期MCI和早期MCI方面取得了很高的表现.
- 整合多式联络功能 (GAIT + 白物质数据集) 最大限度地提高了CNN分类器的性能.
- 单一支时间成为MCI阶段分类中最强的预测因素.
结论:
- 机器学习结合步态和白质参数,有效地区分晚期和早期的MCI.
- 这种方法为客观的MCI分期和疾病进展监测提供了一个有希望的工具.


