使用基于MR的成像标记器预测创伤后
Haleh Akrami1, Wenhui Cui1, Paul E Kim2
1Department of Electrical and Computer Engineering, University of Southern California, Los Angeles, California, USA.
Human brain mapping
|November 19, 2024
概括
在创伤性脑损伤 (TBI) 后预测创伤后 (PTE) 是一个挑战. 这项研究使用机器学习和MRI特征来准确预测PTE发育,识别叶和小脑的差异.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 创伤后 (PTE) 是创伤性脑损伤 (TBI) 的常见和致残的后果.
- 目前对PTE的预测方法不足,强调需要改进预后工具.
- 确定可靠的PTE风险生物标志物对于患者管理至关重要.
研究的目的:
- 开发和验证用于预测TBI后PTE的机器学习模型.
- 为了确定特定的神经成像特征,可以作为可靠的标记物用于PTE预测.
- 调查与PTE发展相关的结构和功能性大脑变化.
主要方法:
- 利用机器学习算法,包括内核支持矢量机 (KSVM),随机森林和神经网络.
- 输入特征包括损伤体积,静止状态功能连接 (fMRI) 和低频波动幅度 (ALFF).
- 采用嵌套交叉验证来进行可靠的模型性能评估,并进行voxel-wise/lobe-wise组分析.
主要成果:
- KSVM模型实现了最高的预测准确性,ROC曲线下的面积 (AUC) 为0.78.
- 分析显示PTE和非PTE组之间双边叶和小脑的显著差异.
- 病变体积,功能连接性和ALFF的组合提供了互补的预后价值.
结论:
- 整合多个MRI衍生特征的机器学习模型显示出预测PTE的前景.
- 叶和小脑的特定变化是区分PTE和非PTE个体的关键指标.
- 这些发现为PTE病理生理学提供了宝贵的见解,并支持使用基于MR的风险分层标记.


