使用基于静止状态大脑网络的图形理论和机器学习来预测术后视觉认知障碍
Songbin Liu1,2, Zhaoshun Jiang1,2, Pei Ye1
1Department of Anesthesiology, Huadong Hospital, Fudan University, Shanghai, 200040, China.
BMC medical imaging
|July 31, 2025
概括
机器学习使用大脑网络分析准确预测老年患者的术后视觉认知障碍. 这种工具有助于在手术前做出决策,以获得更好的患者结果.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 在老年患者中,术后视觉认知障碍很常见,影响恢复.
- 目前的手术前预测方法不足.
- 休息状态功能连接 (rs-fMRI) 分析提供了预测的潜力.
研究的目的:
- 开发和验证用于预测术后视觉认知障碍的机器学习模型.
- 确定与这种损伤相关的关键大脑网络特征.
主要方法:
- 利用74名老年患者的rs-fMRI数据进行图形理论分析.
- 提取了本地和全球网络特征.
- 在特征选择和模型构建方面使用稀疏的代表.
主要成果:
- 该模型实现了高预测性能:AUC=0.877,精度=0.840.
- 在视觉认知,默认模式和注意力网络中确定了重要的网络枢纽.
- 16.2%的患者出现了术后功能障碍.
结论:
- 一个图形理论-机器学习框架可靠地预测术后视觉认知障碍.
- 该模型识别了临床相关的视觉认知网络中的干扰.
- 这种方法可以指导外科手术期间的决策.
