根据ICD-11:复制和机器学习分析,解读白质微观结构变化的变化
Robin Peretzke1,2, Peter F Neher1,3,4, Geva A Brandt5,6
1Division of Medical Image Computing, German Cancer Research Center, Heidelberg, Germany.
Molecular psychiatry
|December 2, 2024
概括
这项研究表明,体中微观结构性白质变化是理解catatonia的关键. 使用通道学的机器学习模型显示,改善了对白内障的诊断.
科学领域:
- 神经成像是一种神经成像.
- 精神病学是一个精神病学.
- 计算神经科学是一种神经科学.
背景情况:
- 卡塔托尼是一种严重的精神运动障碍,基础机制尚不清楚.
- 之前的研究表明白质 (WM) 失联性在catatonia,但其在分类中的作用仍然不清楚.
研究的目的:
- 通过使用扩散权重核磁共振 (MRI) 检查卡塔托尼亚的微观结构性WM变化.
- 开发和评估机器学习模型,以基于WM特征对白内障患者进行分类.
主要方法:
- 来自两个独立队列 (白色CAT和复制) 的catatonia患者和对照的扩散加权MRI数据.
- 基于轨道的空间统计 (TBSS),轨道测量 (TractSeg) 和机器学习 (ML) 使用新的工具 (RadTract) 进行WM特征提取.
- 使用接收器操作特征 (AUROC) 曲线下的面积来评估分类性能.
主要成果:
- 卡塔托尼症患者在体 (CC) 的多个部分表现出分数异性质 (FA) 变化.
- 训练在轨道学特征上的ML模型获得的分类性能 (AUROC ~0.79/0.76) 比训练在FA轨道学 (AUROC ~0.66/0.51) 的ML模型更高.
- 来自CC_6的 Tractomics特征在两个队伍中都展示了强大的分类.
结论:
- 体WM中的微观结构性变化与catatonia病理生理学有显著的关系.
- 基于ML的分类,使用通道学提供了一个有希望的方法,以提高诊断准确度的catatonia.


