相关实验视频
Updated: Jun 22, 2025
09:44
Neuro-rehabilitation Approach for Sudden Sensorineural Hearing Loss
Published on: January 25, 2016
19.2K
静态和动态神经成像特征的结合,以区分感官神经听力损失:一项机器学习研究
Yuanqing Wu1,2, Jun Yao3, Xiao-Min Xu3
1Department of Otorhinolaryngology Head and Neck Surgery, Nanjing Drum Tower Hospital Clinical College of Nanjing Medical University, Nanjing, China.
Frontiers in neuroscience
|June 27, 2024
概括
感觉神经听力损失 (SNHL) 是常见的,经常错过,导致听觉和非听觉症状. 使用脑成像的机器学习模型有效地分类SNHL患者,帮助诊断.
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:
- 感官神经听力损失 (SNHL) 是最常见的感官剥夺形式,患者经常无法识别.
- SNHL可以表现为听觉和非听觉症状,影响整体幸福感.
- 早期和准确的SNHL诊断对于及时干预和管理至关重要.
研究的目的:
- 研究数据驱动分类器建模的实用性,以区分SNHL与健康对照 (HC) 的个人.
- 探索用于SNHL分类的静态和动态神经成像特征的联合使用.
- 为了确定SNHL诊断的潜在神经成像生物标志物.
主要方法:
- 一组110名SNHL患者和106名HC患者接受了听力评估,神经评估和休息状态MRI扫描.
- 从MRI数据中提取了1,267个静态和动态成像特征.
- 支持向量机 (SVM) 模型具有线性,多项式,辐射基函数 (RBF) 和西格形内核被用于分类,利用像LASSO这样的特征选择方法.
主要成果:
- 与HC相比,SNHL患者的听力值显著提高,认知和情绪表现较差.
- 特征选择在静态和动态分析中一致识别了听觉和非听觉大脑区域.
- SVM模型,特别是 RBF 和 sigmoid 核,实现了高分类性能,曲线下的面积 (AUC) 值高达 0.8562,显示出强大的精度,灵敏度和特异性.
结论:
- 静态和动态神经成像改变与SNHL的听力丧失有关.
- 集成神经成像数据的机器学习模型显示为SNHL分类和诊断的有效生物标志物具有前途.
- 这种方法可以提高SNHL的早期检测和管理.
