对帕金森病的协调多数据集T1MRI形态测量分类

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 神经退行性疾病 神经退行性疾病

背景情况:

• 使用结构性MRI形态测量进行个性化疾病分类,与传统统计数据相比,具有临床优势.
• 对多扫描器神经成像数据集的培训分类器受到混批量效应的挑战.

研究的目的:

• 通过使用多扫描仪MRI数据,评估ComBat协调模型来从健康对照中分类帕金森病 (PD).
• 识别多扫描器神经成像分类管道中的常见陷,例如数据泄露.

主要方法:

• 在11个MRI扫描仪中利用了372名受试者 (216名PD,156名对照) 的队列.
• 提取了FreeSurfer和雅科比决定性形态测量数据.
• 比较单扫描仪和多扫描仪分类管道,评估批量效应协调和数据泄露预防的影响.

主要成果:

• 单个扫描仪分类器显示出高度可变的性能 (平均AUC:0.651 ± 0.144).
• 采用批量效应的多扫描仪分类器实现了高AUC (0.902),但防止数据泄露的管道表现不佳 (AUC:0.550).
• 批量效应对扫描仪的分类概括性产生重大影响.

结论:

• 批量效应是基于神经成像的疾病分类的关键挑战,限制了单扫描仪模型的概括性.
• 有效的协调策略必须避免循环,以防止在分类器开发中报告过于乐观的结果.