儿童注意力缺陷多动性障碍脑铁缺乏症使用反复活性磁性敏感源分离 (APART-QSM)
Yufen Li1, Huan Wang1, Huasong Cai1
1Department of Radiology, The First Affiliated Hospital of Sun Yat-sen University, Guangzhou, China.
Quantitative imaging in medicine and surgery
|July 29, 2025
概括
这项研究发现,ADHD儿童的深灰质中铁含量较低. 使用APART-QSM的机器学习模型显示出区分ADHD与健康对照的潜力,有助于早期诊断.
科学领域:
- 神经成像是一种神经成像.
- 生物标志物 生物标志物
- 机器学习 机器学习
背景情况:
- 注意缺陷/多动障碍 (ADHD) 是一种复杂的神经发育障碍.
- 研究ADHD的潜在病理生理学对于诊断和治疗至关重要.
- 磁性和磁性敏感性分布可以提供对大脑铁和髓含量的洞察.
研究的目的:
- 为了确定深灰质中的磁性敏感度值是否可以识别ADHD的个体.
- 通过使用先进的磁性易感性映射来探索与ADHD相关的病变发生.
- 评估机器学习算法在基于这些值的ADHD分类中的有效性.
主要方法:
- 代磁感应源分离 (APART-QSM) 用于获得对磁感应地图.
- 在36名多动症患者和35名健康对照者中,从深灰色物质结构 (尾状核,面,面,丘脑) 中提取了对磁性敏感度值.
- 随机森林和支持矢量机器模型被训练来根据易感值对ADHD进行分类.
主要成果:
- 在ADHD患者的左尾状核和双侧白体中观察到较低的阳性敏感度值,表明铁减少.
- 随机森林模型的AUC为0.756,具有77.8%的灵敏度和68.6%的特异性.
- 在降低铁含量和注意力表现之间没有发现显著的相关性.
结论:
- 患有ADHD的儿童在深层灰质核中表现出缺铁.
- 机器学习模型与APART-QSM结合,可以有效地将ADHD与健康对照区分开来.
- 这种方法为了解ADHD病理生理学和促进早期诊断提供了潜在的生物标志物.
