应用于 somatosensory 唤起潜力的人工神经网络,用于偏头痛分类
Gabriele Sebastianelli1, Daniele Secci2, Francesco Casillo3
1Department of Medico-Surgical Sciences and Biotechnologies, Sapienza University of Rome Polo Pontino ICOT, Via Franco Faggiana 1668, Latina, 04100, Italy. gabriele.sebastianelli@uniroma1.it.
The journal of headache and pain
|April 4, 2025
概括
人工神经网络 (ANN) 通过分析神经生理学数据,在诊断偏头痛方面表现有前途. 这项研究使用了Somatosensory Evoked Potentials (SSEPs) 来区分偏头痛患者与健康个体,达到68%以上的准确性.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 偏头痛的诊断缺乏可靠的生物标志物,尽管已知患者的大脑干-甲状腺-皮质循环的改变.
- 目前对偏头痛病理生理学的理解,包括降低的甲状腺皮质活动,尚未在临床上得到应用.
- 需要客观的诊断工具来管理偏头痛.
研究的目的:
- 评估人工神经网络 (ANN) 以区分偏头痛患者和健康个体.
- 探索神经生理记录在偏头痛分类中的有用性.
- 评估ANN在开发非侵入性偏头痛诊断工具方面的潜力.
主要方法:
- 从177名参与者 (91名偏头痛患者,86名健康志愿者) 中记录了体感唤起潜力 (SSEP).
- 通过主要组件分析 (PCA) 和前特征选择 (FFS) 分析了11个神经生理变量.
- 通过PCA和FFS衍生的特征来训练ANN,以对偏头痛患者与健康对照进行分类.
主要成果:
- 基于PCA和FFS的ANN模型在准确度,灵敏度,特异性和F1分数方面均达到68%以上.
- 来自FFS的特征模型在区分偏头痛患者方面表现优于PCA模型.
- FFS模型的中位精度为72.8%,AUC为0.79,而PCA模型的精度为68.9%,AUC为0.75.
结论:
- 用SSEP衍生变量训练的ANN显示出作为偏头痛分类的非侵入性工具的潜力.
- 这种方法可能为偏头痛诊断提供有价值的临床应用.
- 进一步的研究可以完善这些神经生理学标记,以改善偏头痛检测.


