休息状态功能性MRI指标来检测帕金森病中步伐结:一种机器学习方法

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 走路结 (FOG) 是帕金森病 (PD) 的常见和残疾症状,尚未完全理解.
• 准确的FOG分类对于开发有针对性的干预和推进对其潜在机制的研究至关重要.

研究的目的:

• 评估四个机器学习 (ML) 分类器在使用静止状态功能磁共振成像 (rs-fMRI) 数据自动分类PD患者的准确性.
• 通过区分PD患者与健康受试者 (HS) 来验证ML方法.

主要方法:

• 将四个ML分类器 (决策树,随机森林,多层感知器,物流回归) 应用于四个rs-fMRI衍生的指标.
• 利用k倍交叉验证对独立数据子集进行可靠的性能评估.
• 提取的特征重要性得分来解释ML模型的决策过程.

主要成果:

• 随机森林 (RF) 在使用低频波动 (fALFF) 分数幅度数据来区分PD和HS方面实现了最高的准确性 (AUC96.8%).
• 在区分患有FOG (PD-FOG) 和没有FOG (PD-nFOG) 的PD患者方面,RF始终优于其他分类器,所有指标的AUC都超过90%.
• 通过模型识别的关键大脑区域包括额外金字塔系统,视觉和默认模式网络中的区域,并特别强调突出网络和PD-FOG与PD-nFOG分类的补充运动区域.

结论:

• ML,特别是RF,在使用rs-fMRI数据对PD和FOG进行分类方面表现出很高的有效性.
• 该研究强调了神经网络对FOG在PD中的特定贡献,并提供了对这种症状病理生理学的见解.
• 这些发现支持了人工智能驱动的神经成像数据分析的潜力,用于客观的PD表型和了解FOG.