在认知障碍中,PET脑成像的多追踪报告的结论的自动分类

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 认知障碍需要对分子脑成像报告 (FDG,Amyloid,Tau PET) 的准确解释.
• 手动分析这些报告是耗时的,容易变化.
• 自动化解释这些复杂的报告对于高效的研究和临床实践至关重要.

研究的目的:

• 开发和比较机器学习 (ML) 文本分类方法,用于解释大脑分子成像报告.
• 在FDG,Amyloid和Tau PET模式中自动识别正负结果.
• 为了提取阿尔茨海默病 (AD),前性痴呆症 (FTD) 和勒维体痴呆症 (LBD) 的诊断印象.

主要方法:

• 创建了一个1668个手动注释的分子成像报告结论的数据集.
• 训练和评估了六个ML算法 (SVM,天真贝叶斯,后勤回归,随机森林,KNN).
• 使用5倍交叉验证方案来评估分类器的性能和通用性.

主要成果:

• 支持矢量机 (SVM) 在所有任务中表现出卓越的性能.
• 获得了很高的精度:FDG PET (0.97),Tau PET (0.94),阿米洛伊德 PET (0.98).
• 诊断印象分类 (AD,FTD,LBD) 达到了0.87准确度.

结论:

• 机器学习,特别是SVM,为解释大脑分子成像报告提供了强大而准确的方法.
• 这种自动化方法可以显著改善核医学研究中的数据处理.
• 这些发现表明,在现场向自动化数据解释的范式转变.