机器学习模型的Voxel-Level [18F]化氧糖正子发射断层扫描数据 Excel 在预测渐进性超核麻病理学

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 神经病理学神经病理学

背景情况:

• 渐进性超核性 (PSP) 是一种神经退行性疾病,诊断生物标志物有限.
• 准确预测PSP病理学对于及时诊断和管理至关重要.
• 目前的生物标志物,包括基于MRI的指数,在诊断准确性方面存在局限性.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,使用[18F]氧葡萄糖正子发射断层扫描 (PET) 数据来预测PSP病理.
• 将ML模型的预测性能与现有的生物标志物进行比较.

主要方法:

• 分析了137名患者的[18F]氧葡萄糖PET和3.0特斯拉MRI扫描 (42名PSP患者,95名其他神经退行性疾病患者).
• 线性支向量机 (SVM) 用于病理组分化,对声细胞大小和区域去除进行灵敏度分析.
• 使用辐射基函数创建了一个二次ML模型,其中最重要的voxels与MRI帕金森症指数相比较.

主要成果:

• 优化的ML模型实现了0.91的精度和0.86的F-score,特别是在使用6mm的voxel尺寸时.
• 关键的差异化声突被确定在 thalamus,中脑和小脑牙.
• 与MRI帕金森症指数 (分别为0.81和0.70) 相比,优化的二次模型在测试数据集中表现出更好的表现 (准确率0.91,F-score 0.86).

结论:

• 体和小脑牙中的葡萄糖低代谢是PSP病理学的显著预测因素.
• 开发的ML模型有效地预测PSP病理,并超越了当前领先的生物标志物的诊断能力.
• 这种基于ML的方法有望改善PSP的早期和准确诊断.