在患有中风后平衡功能障碍的患者中,大脑活动的静态和时间动态变化:试点休息状态fMRI
Zhiqing Tang1,2, Tianhao Liu1,2, Junzi Long1,2
1School of Rehabilitation, Capital Medical University, Beijing, China.
Frontiers in neuroscience
|April 4, 2025
概括
这项研究确定了中风后患者平衡功能障碍的脑活动变化. 机器学习模型,特别是使用静态成像功能的机器学习模型,有效地将中风患者与健康个体区分开来.
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:
- 脑卒中后平衡功能障碍显著影响患者的康复和生活质量.
- 了解这种功能障碍的神经基础对于开发有针对性的干预措施至关重要.
研究的目的:
- 为了研究中风后平衡功能障碍患者的脑活动变化.
- 将这些变化与临床平衡评估相关联.
- 开发一种机器学习模型,以区分中风患者与健康对照.
主要方法:
- 休息状态功能磁共振成像 (rs-fMRI) 用于检查26名中风后患者和24名健康对照 (HCs).
- 静态和动态功能性脑成像指标 (sALFF, sfALFF, sReHo, dALFF, dfALFF, dReHo) 被计算和比较.
- 使用极端梯度增强 (XGBoost) 算法,使用成像特征和伯格平衡量级 (BBS) 分数构建分类模型.
主要成果:
- 与HC患者相比,在各种大脑区域观察到显著的功能异常,包括胰岛,状回环,丘脑和补充运动区域.
- 皮尔森相关性分析探讨了成像指标和BBS分数之间的关系.
- 使用静态成像功能构建的XGBoost模型展示了卓越的分类性能.
结论:
- 这项研究提供了局部功能性大脑异常的证据,有助于中风后平衡功能障碍.
- 这些异常与视觉处理,运动控制和认知功能有关,阐明神经病理机制.
- 极端梯度增强 (XGBoost) 显示出作为分析这些神经成像变化的机器学习工具的希望.
