基于MRI的神经退行性疾病的多类相关向量机分类
medRxiv : the preprint server for health sciences
|October 17, 2024
概括
机器学习从MRI扫描中准确地识别出痴呆症亚型,尽管错误分类突出了疾病的复杂性和成像限制. 改进的数据集对于提高神经退行性疾病的诊断准确性至关重要.
科学领域:
- 神经成像和计算神经科学
- 神经学和神经退行性疾病研究的神经学和神经退行性疾病研究
- 医疗保健中的人工智能
背景情况:
- 机器学习 (ML) 对痴呆症诊断有希望,但基于MRI的研究中的错误分类仍然是一个挑战.
- 了解错误分类的驱动因素对于推进自动诊断工具至关重要.
- 现有的ML方法经常与神经退行性疾病的异质性作斗争.
研究的目的:
- 实施和评估一种使用ML的多类分类方法,用于从T1加权MRI扫描中诊断七种神经退行性疾病.
- 通过将ML预测与临床,病理,遗传和成像数据进行比较,调查错误分类背后的原因.
- 评估ML在不同痴呆症亚型和对照组的诊断性能.
主要方法:
- 利用使用相关性向量机和物流分类的多类分类模型.
- 分析了来自7个诊断组的468名参与者的全脑T1加权MRI扫描:健康对照组,阿尔茨海默氏症 (AD),行为变体前性痴呆症 (bvFTD),语义变体初级渐进性失语症 (svPPA),非流利变体初级渐进性失语症 (nfvPPA),皮质皮质综合征 (CBS) 和渐进性上核麻痺综合征 (PSPS).
- 经验证的诊断准确性与临床,病理,遗传和定量成像数据相比.
主要成果:
- 该算法在预测特定的神经退行综合征方面达到71%的准确性,在疾病谱方面达到80%,在区分对照组和任何痴呆症方面达到85%.
- 在健康对照组中观察到高性能,AD,bvFTD和svPPA中适度,CBS,nfvPPA和PSPS中低.
- 错误分类的病例往往表现出与对照组相似的最小缩和大脑体积,特别是早期发病的AD和bvFTD具有特定的遗传突变或复制物.
结论:
- 神经退行性疾病的异质性和结构性MRI在捕捉生物变化的局限性有助于ML错误分类.
- 为了训练强大的ML模型,需要更大,更具包容性的数据集,反映出人口异质性.
- 预计自动诊断中的一定程度的不确定性和误差值将与临床诊断的不确定性相匹配.
