因果森林机器学习 休息状态功能磁共振成像中帕金森病的分析
Gabriel Solana-Lavalle1,2, Michael D Cusimano3,4, Thomas Steeves5
1Department of Computing, Electronics, and Mechatronics, Universidad de las Américas Puebla Santa Catarina Mártir, San Andrés Cholula, Puebla 78210, Mexico.
Tomography (Ann Arbor, Mich.)
|June 26, 2024
概括
人工智能有助于使用功能性MRI检测帕金森病 (PD). 机器学习模型在将PD患者与健康个体分类方面取得了超过97%的准确性,识别了受影响的大脑区域.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 像帕金森病 (PD) 这样的神经退行性疾病带来了重大的诊断挑战.
- 人工智能 (AI) 为早期发现和分析复杂的神经疾病提供了有希望的工具.
研究的目的:
- 开发和验证一种机器学习方法,用于使用功能磁共振成像 (fMRI) 数据从健康对照组分类帕金森病患者.
- 确定受帕金森病影响的大脑区域,并可视化特定群体的关联.
主要方法:
- 从PPMI和1000-FCP数据集的fMRI数据进行了预处理,从200个大脑区域提取时间序列.
- 使用因果森林和包装特征子集选择来减少维度.
- 逻辑回归和XGBoost用于分类;多重对应分析用于可视化.
主要成果:
- 该方法在帕金森病检测方面实现了高分类准确性:97.6%的准确性,97.5%的F1得分,97.9%的精度,97.7%的回忆.
- 较少的特征集 (<300个特征) 足以对性别进行准确的分类.
- 视觉化显示了不同人口群体中特定大脑区域与疾病状况之间的关联.
结论:
- 拟议的人工智能驱动的方法准确地使用fMRI数据对帕金森病患者进行分类.
- 该方法通过可视化大脑区域的关联及其与疾病严重程度和人口因素的相关性来提高解释性.
