通过机器学习,在1型肌性发育不良症中,大脑体积损失有两个不同的轨迹
Tomoki Imokawa1,2, Hiroyuki Maki1, Daichi Sone3
1Department of Radiology, National Centre Hospital, National Centre of Neurology and Psychiatry, 187-8551 Kodaira, Tokyo, Japan.
Brain communications
|May 22, 2025
概括
机器学习识别了1型肌性发育不良症的两个大脑亚型,揭示了大脑体积损失的不同模式和潜在的MRI生物标志物,用于认知障碍.
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:
- 肌性缩症1型 (DM1) 影响多个系统,包括大脑.
- 之前在DM1中进行的大脑成像研究已经产生了关于体积减小的不一致的发现.
- 机器学习提供了一种新的方法来识别疾病亚型和进展模式.
研究的目的:
- 将亚型和阶段推断 (SSI) 应用于DM1患者的形态学MRI数据.
- 揭示DM1.1中大脑体积损失的详细轨迹.
- 探索形态核磁共振像素作为DM1的生物标志物的潜力.
主要方法:
- 对60名DM1患者和50名对照患者的3DT1加权MRI扫描进行分析.
- 利用SSI,一个无监督的机器学习算法,以识别大脑亚型及其进展.
- 对已识别的亚型的临床和脑形态指标进行了检查.
主要成果:
- SSI 确定了两个DM1亚型:皮层和皮层下.
- 皮层亚型显示体积减少,从前中心环开始,扩散到皮层.
- 皮层下亚型表现出门,丘脑,海马和杏仁体的早期体积损失,认知得分较低,大脑发育指标发生变化.
结论:
- 通过机器学习,确定了两种不同的DM1脑部参与的亚型.
- 形态MRI显示承诺作为一个生物标志物认知障碍和大脑发育障碍在DM1.
- 机器学习可以帮助DM1患者分层并了解其病理生理学.


