在损伤-症状映射中对机器学习模型进行基准测试,以预测中风幸存者的语言结果

科学领域:

• 神经科学是一个神经科学.
• 神经学 神经学
• 计算神经科学是一种神经科学.

背景情况:

• 几十年的研究将中风引起的脑损伤与语言障碍联系起来.
• 传统的病变症状映射 (LSM) 研究通常使用质量单变量统计数据,忽略了复杂的变量关系.

研究的目的:

• 为了对机器学习 (ML) 模型进行基准测试,以预测慢性中风幸存者的语盲严重程度和命名障碍.
• 评估不同神经成像模式,分片方案和ML技术的有效性.

主要方法:

• 利用238名慢性中风幸存者的结构性和功能性MRI数据来测量失言症的严重程度和191名命名障碍.
• 采用嵌套交叉验证来评估各种分片地图 (JHU,AAL,BRO,AICHA) 的ML模型性能,神经成像模式 (连接性,扩散性,异性,损伤位置) 和ML算法 (随机森林,SVR等). ) 的情况.

主要成果:

• 最优的组合包括JHU地图,病变位置和随机森林模型.
• 这种组合显示了与对语障严重程度和命名障碍的行为评分的中度至高相关性.
• 识别了语言网络中的关键大脑区域,包括perisylvian区域和相关途径.

结论:

• 机器学习为传统的LSM方法提供了强大的补充,以了解与中风相关的语言缺陷.
• 这项研究强调了将ML与神经成像和病变数据集成的潜力,以提高对中风后语言恢复的预测.