在测试三种可用于量化白质病变的算法时,确定偏差的来源:BIANCA,LPA和LGA
Tatiana Miller1,2, Nora Bittner3,4, Susanne Moebus5
1Institute for Anatomy I, Medical Faculty & University Hospital Düsseldorf, Heinrich Heine University, Düsseldorf, Germany.
GeroScience
|August 8, 2024
概括
自动白质损伤 (WML) 分段算法显示偏差. 对于具有心血管风险因素的老年人来说,LPA和LGA算法的性能更好,而不是没有这些因素的年轻人.
科学领域:
- 神经成像是一种神经成像.
- 医疗图像分析 医学图像分析
- 老年学是一门学科.
背景情况:
- 大脑MRI上的白质病变 (WMLs) 在老年人中很常见,并且与认知能力下降和痴呆风险有关.
- 准确对WML进行细分对于了解其影响和制定干预措施至关重要.
- 现有的自动细分算法可能会受到各种影响因素的偏差影响.
研究的目的:
- 调查人口和临床因素对自动白质病变细分算法的性能的影响.
- 根据年龄,性别,血糖,糖尿病,血压和高血压来评估WML估计中的潜在偏差.
- 为了比较三种广泛使用的算法的准确性和可靠性:BIANCA,LPA和LGA.
主要方法:
- 利用基于人口的1000BRAINS队列 (N=1166,年龄在18-87岁之间).
- 评估了培训数据特征对WML估计的影响.
- 通过年龄,性别和心血管风险因素定义的各个子组评估算法性能.
主要成果:
- BIANCA的WML估计受训数据特征的影响.
- 与BIANCA相比,LPA和LGA产生了较低的WML估计值,并在没有心血管风险因素的67岁以下参与者中降低了准确性.
- 在患有心血管风险因素的老年参与者中,LPA和LGA表现改善.
结论:
- 在WML细分中的算法性能受参与者特征的影响.
- 将不同的人口和临床因素纳入培训数据可以减轻WML分析中的偏差.
- LPA和LGA适用于患有心血管风险因素的老年人,提供快速有效的细分选项.
