使用多模式机器学习方法预测口腔失语的严重程度

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 计算语言学 计算语言学

背景情况:

• 语言障碍的失言症对中风幸存者产生重大影响.
• 预测失语症的严重程度对于有效的康复规划至关重要.
• 当前的预测模型通常仅依赖于病变特征.

研究的目的:

• 调查综合神经成像模式的有效性,以预测失言症的严重程度.
• 为了比较支持向量回归 (SVR) 和随机森林 (RF) 模型的预测性能.
• 识别关键的神经成像特征,可以预测中风后失言症的语言结果.

主要方法:

• 利用T1结构MRI,扩散张力成像 (DTI) 和休息状态fMRI (rsFMRI) 来自76名中风后失语患者的数据.
• 采用具有监督特征选择和堆叠预测的SVR和RF模型.
• 评估了使用西方阿法西亚电池修订的阿法西亚系数 (WAB-R AQ) 的预测准确性.

主要成果:

• 在RF模型 (RMSE: 18.41±4.34,r: 0.66±0.15) 上,SVR模型表现出更高的性能 (RMSE: 16.38±5.57,r: 0.70±0.13).
• 休息状态神经活动和结构完整性被确定为关键预测因素.
• 双边同源语言区域的功能连接对预测准确度做出了重大贡献.

结论:

• 整合多种神经成像模式可以提高除了病变信息之外的失语严重程度预测.
• 静止状态的功能连接性和结构完整性对于预测语言结果至关重要.
• 多模态神经成像方法可以为阿法西亚提供个性化康复策略.