一个基于MRI的多模式机器学习框架,用于对脑小血管疾病中的认知障碍进行分类
Guihan Lin1, Weiyue Chen1, Yongkang Geng2
1Zhejiang Key Laboratory of Imaging and Interventional Medicine, Zhejiang Engineering Research Csaenter of Interventional Medicine Engineering and Biotechnology, Key Laboratory of Precision Medicine of Lishui City, The Fifth Affiliated Hospital of Wenzhou Medical University, Lishui, 323000, Zhejiang, China.
Scientific reports
|April 16, 2025
概括
使用多模式MRI的新机器学习框架有效地将轻度认知障碍 (MCI) 与大脑小血管疾病 (CSVD) 患者的正常认知区分开来. 这种先进的方法显示出优越的性能比传统的方法早期MCI预测.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 神经学 神经学
背景情况:
- 大脑小血管疾病 (CSVD) 的异质性使轻度认知障碍 (MCI) 的诊断复杂化.
- 在CSVD患者中,MCI的准确分类对于及时干预至关重要.
研究的目的:
- 开发和验证基于多模式磁共振成像 (MRI) 的机器学习框架,用于在CSVD中对MCI和正常认知进行分类.
- 为了比较AutoGluon平台与传统机器学习算法的性能.
主要方法:
- 165名CSVD患者 (81名NCI,84名MCI) 接受了多模式MRI (T1加权,rs-fMRI,DTI).
- 进行了图像预处理,特征提取和选择.
- AutoGluon和传统的ML模型在一个单独的队列 (83名CSVD患者) 上进行了训练和验证.
主要成果:
- 该AutoGluon模型实现了高AUC (0.926培训,0.878验证) 和准确性 (88.48%培训,81.93%验证).
- 在MCI与NCI分类方面,AutoGluon显著优于传统的ML模型 (AUC 0.755-0.831).
- 关键性能指标包括AutoGluon模型的高灵敏度,特异性,精度和F1得分.
结论:
- 使用AutoGluon的基于MRI的多模式机器学习框架有效地对CSVD患者的MCI进行分类.
- 这种方法为CSVD的早期MCI预测提供了一个有希望的,高性能工具.
- 该研究强调了高级ML在神经退行性疾病分类方面的潜力.
