在纤维肌痛综合征上识别纹理MRI脑部异常,使用可解释的机器学习模型
Hongyang Jiang1,2, Aihui Liu3, Zhenhua Ying4,5
1Medical College of Soochow University, Suzhou, China.
Scientific reports
|October 9, 2024
概括
用放射学和机器学习开发了纤维肌痛症状 (FMS) 的客观诊断标记. 这些模型有助于诊断慢性疼痛 (CP) 并更准确地区分FMS子组.
科学领域:
- 神经成像是一种神经成像.
- 无线电学 (Radiomics) 是一种无线电学.
- 机器学习 机器学习
背景情况:
- 纤维肌痛症状 (FMS) 缺乏客观的诊断标记,导致诊断挑战.
- 慢性疼痛 (CP) 诊断和FMS亚组区分需要改进的方法.
研究的目的:
- 开发可解释的机器学习模型,用于客观的FMS诊断.
- 为区分FMS子组创建基于放射学的名录模型.
主要方法:
- 极端梯度增强 (XGBoost) 模型被训练在从脑部成像的放射学特征.
- 功能选择使用了曼-惠特尼U,斯皮尔曼的等级相关性和LASSO.
- 沙普利添加式解释 (SHAP) 提供了模型的解释性.
- 一个名图集成的放射学分数和临床预测指标用于亚组诊断.
主要成果:
- XGBoost模型表现出稳定的性能,表明CP诊断的过拟合率很低.
- 纳米图模型,结合放射学分数,有效地区分了典型的从亚临床的FMS.
- 放射学和临床模型的结合在分组差异化方面超过了单独的临床因素.
结论:
- 基于可解释的放射学XGBoost模型为慢性疼痛提供了客观的诊断潜力.
- 机器学习衍生出的放射学分数增强了用于精确的纤维肌痛亚组诊断的诺莫格拉姆模型.
