机器学习使用结构性大脑MRI特征对功能神经障碍的分类
Christiana Westlin1,2,3, Andrew J Guthrie4,2, Sara Paredes-Echeverri4,2
1Functional Neurological Disorder Research Group, Division of Behavioral Neurology & Integrated Brain Medicine, Department of Neurology, Massachusetts General Hospital, Harvard Medical School, Boston, Massachusetts, USA dlperez@nmr.mgh.harvard.edu cwestlin@mgh.harvard.edu.
Journal of neurology, neurosurgery, and psychiatry
|July 20, 2024
概括
机器学习模型现在可以使用结构性MRI扫描来区分功能神经障碍 (FND) 患者与健康个体. 大脑成像技术的进步可能有助于诊断FND,这种疾病以前很难在个人层面上区分.
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:
- 以前的功能神经障碍 (FND) 研究依赖于单变脑成像,限制了个体患者的分类.
- 在FND患者和健康对照人群 (HCs) 之间报告了灰质的群体水平差异,但缺乏临床翻译性.
- 个人层面的差异化对于准确的诊断和理解FND病理生理学至关重要.
研究的目的:
- 研究使用具有结构MRI灰质特征的机器学习分类器来区分FND个体与对照组的潜力.
- 为了评估混合FND,FND-motor和FND-seizure亚型的分类准确性,与健康和精神病控制对比.
- 确定有助于成功分类的关键大脑区域.
主要方法:
- 招募了183名参与者 (61名FND混合,61名HC,61名精神病控制).
- 支持矢量机分类器分析了134个FreeSurfer衍生的灰质MRI特征.
- 采用交叉验证来区分FND患者与HC患者和精神病控制患者.
主要成果:
- 分类器区分FND混合与HC混合的精度为66% (AUROC=0.74) 和精神病控制的精度为60% (AUROC=0.56).
- 发动机的FND亚型与HCs有着强大的差异,精度为72% (AUROC=0.80).
- 关键的分化大脑区域包括带状回,海马子场和杏仁核.
结论:
- 用机器学习分析的结构性MRI显示,在个人层面上对FND进行分类是可行的.
- 这些发现突显了大脑结构与FND病理生理学之间的联系.
- 建议对更大的队列和多样化的对照组进行进一步验证.
