用机器学习和FLAIR MRI生物标志物将血管疾病患者分为同质子组
Karissa Chan1,2, Corinne Fischer3, Pejman Jabehdar Maralani4
1Department of Electrical, Computer and Biomedical Engineering, Toronto Metropolitan University, Toronto, ON Canada.
Npj imaging
|January 3, 2025
概括
这项研究使用FLAIR生物标志物将血管疾病患者分为风险组. 这使得个性化治疗策略能够改善大脑健康和脑血管疾病 (CVD) 管理.
科学领域:
- 神经学 神经学
- 放射学 放射学是指放射学
- 生物标志物发现发现
背景情况:
- 血管疾病影响大脑健康,增加脑血管疾病 (CVD) 风险.
- 准确的患者分层对于有效的心血管疾病管理至关重要.
- 目前的分层方法可能无法完全捕捉复杂的大脑健康变化.
研究的目的:
- 根据大脑健康和心血管疾病风险,制定一个分层血管疾病患者的框架.
- 为此分层使用区域FLAIR (液体减弱反转回收) 生物标志物.
- 为定制干预确定不同的患者子组.
主要方法:
- 从379名动脉样硬化患者的FLAIR MRI卷中提取了强度和纹理生物标志物.
- 采用K-Means集群来识别患者子组.
- 利用随机森林分类来确定差异化的关键生物标志物.
- 进行ANOVA和费舍尔测试以分析临床因素和生物标志物的亚组差异.
主要成果:
- 根据FLAIR生物标志物确定了五个同质的患者子组.
- 确定了15个关键的生物标志物,区分了子组.
- 在子组中发现了年龄,白质病变体积和血管风险因子患病率的显著差异.
- 通过神经退行,高心血管疾病风险和中等心血管疾病风险水平来表征子组.
结论:
- FLAIR生物标志物可以有效地分层血管疾病患者.
- 拟议的框架支持个性化治疗和风险分层.
- 小组3需要积极的干预,而其他小组则从改变生活方式中受益.
- 这种方法有助于优化患者管理,以改善结果.
