在DAVF中使用机器学习进行认知障碍分类的碎形分析
Jithin Sivan Sulaja1, Santhosh Kumar Kannath1, Ramshekhar N Menon2
1Dept. of Imaging Sciences and Interventional Radiology, Sree Chitra Tirunal Institute for Medical Sciences and Technology, Medical College PO, Trivandrum, Kerala, 695011, India.
Biomedical physics & engineering express
|July 24, 2025
概括
对大脑信号的非骨折连接性分析有效地识别了内持续动脉静脉囊 (DAVF) 患者的认知障碍,为诊断提供了一个有前途的生物标志物.
科学领域:
- 神经科学是一个神经科学.
- 生物标志物发现发现
- 医学成像分析 医学成像分析
背景情况:
- 内持续性动脉静脉 (DAVFs) 是一种获得的血管异常.
- 认知障碍是DAVF的常见症状,与大脑网络连接受损有关.
- 休息状态功能性MRI (rsfMRI) 用于研究大脑连接,但信号中的碎形模式使分析复杂化.
研究的目的:
- 探索非骨折连接性作为DAVF患者认知障碍的潜在生物标志物.
- 在 BOLD 信号中隔离短内存组件以改进连接分析.
- 使用机器学习来区分DAVF患者的认知障碍.
主要方法:
- 50名DAVF患者和50名对照患者接受了神经心理评估和rsfMRI.
- 波段将分解的BOLD信号转化为碎形和非碎形组件.
- 机器学习分类器 (SVM,决策树) 被训练在连接矩阵上进行分类.
主要成果:
- 非碎形连接性在使用SVM对认知障碍进行分类时实现了89.82%的准确性.
- 非碎形测量方法的表现优于碎形和皮尔森相关性方法.
- 高灵敏度 (86.54%),特异性 (92.4%) 和AUC (0.96) 为非碎形连接性获得.
结论:
- 非碎形连接性显示为DAVF患者认知障碍的生物标志物具有前途.
- 这种方法可能有助于早期诊断和干预DAVF相关的认知缺陷.
- 建议使用更大的数据集进行进一步验证,以确认发现并探索更广泛的应用.
