开发和验证可解释的机器学习模型,以根据脑电图数据预测儿童的疾病和严重程度

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 医疗信息学 医疗信息学

背景情况:

• 疾病 (TD) 的诊断和严重程度评估具有临床意义.
• 脑电图 (EEG) 数据有可能成为客观的诊断标记.
• 现有的方法可能缺乏个性化的预测和特征可解释性.

研究的目的:

• 开发和验证一个机器学习框架,以使用EEG数据准确诊断和预测Tic疾病 (TD) 的严重程度.
• 引入一种新的基于个体的特征加权集成和SHAP驱动的特征选择和加权 (SFSW) 战略,以提高预测准确性和可解释性.
• 为了识别有助于TD诊断的关键EEG特征.

主要方法:

• 分析了90名患有TD的儿童和88名健康对照 (HC) 的EEG数据.
• 开发一个包含机器学习的两阶段渐进式诊断框架.
• 实施基于个体的特征加权集成和SHAP驱动的特征选择和加权 (SFSW) 战略.
• 使用后勤回归和决策树模型进行验证,并进行保留组测试.

主要成果:

• 后勤回归模型在诊断TD时获得了94.2%的准确性,决策树模型在预测严重程度时获得了81.5%的准确性.
• 延期验证显示,TD诊断的准确率为95.7%,严重程度预测的准确率为83.3%.
• 诊断TD的关键特征包括P3通道β频段的平均频率,年龄和C3通道马频段的平均频率.

结论:

• 拟议的机器学习框架具有新的特征权重和选择策略,为个性化Tic障碍 (TD) 诊断和严重程度预测提供了高效和准确的方法.
• 该研究强调了EEG数据和机器学习在TD中用于辅助诊断和干预计划的临床实用性.
• 解释性分析为TD的神经生理学基础提供了洞察力.