使用机器学习算法预测青少年异常学脊椎病,使用大脑体积测量
Ahmet Payas1, Hikmet Kocaman2, Hasan Yıldırım3
1Faculty of Medicine, Department of Anatomy Amasya University Amasya Turkey.
JOR spine
|July 16, 2024
概括
大脑区域体积测量可以预测青少年异常学脊椎病 (AIS). 机器学习模型,特别是随机森林,基于这些神经解剖学差异准确地识别了AIS,提供了一个有前途的预测工具.
科学领域:
- 神经科学是一个神经科学.
- 放射学 放射学是一门学科.
- 机器学习 机器学习
背景情况:
- 大脑,脑干和小脑中的神经解剖学和神经功能变化与青少年异常学脊椎病 (AIS) 的发展有关.
- 了解这些变化对于识别AIS的潜在早期指标至关重要.
研究的目的:
- 调查大脑区域体积测量的实用性,作为AIS的预测指标.
- 应用机器学习技术来分析神经成像数据以预测AIS.
主要方法:
- 来自169个大脑区域的磁共振成像 (MRI) 数据从患有严重AIS的患者 (n=32) 和健康对照者 (n=31) 中收集.
- 我们使用了12个机器学习算法,进行了广泛的参数调整和交叉验证,以分析体积数据.
- 进行了可变显著性分析,以确定关键的预测性大脑区域.
主要成果:
- 随机森林算法表现出卓越的性能,实现了高精度 (0.9083),AUC (0.993),f1得分 (0.970) 和低Brier得分 (0.1256).
- 关键的预测变量包括对右皮质脊髓管,右体,右体,右小脑和右脑的体积测量.
结论:
- 对特定大脑区域的体积测量是预测AIS的可靠指标.
- 开发的机器学习模型和已识别的重要大脑区域显示出预测脊椎病发展的潜力,特别是在高风险人群中.
