机器学习全脑静止状态fMRI签名,用于对额头质瘤的个性化分级
Yue Hu1, Xin Cao1,2,3, Hongyi Chen4
1Department of Radiology, Huashan Hospital, Fudan University, 12 Wulumuqi Middle Road, Shanghai, 200040, P.R. China.
概括
本研究引入了一种非侵入性机器学习模型,使用静止状态功能性MRI (rs-fMRI) 来区分高度质瘤 (HGG) 和低度质瘤 (LGG). 该模型实现了高精度,有助于手术前质瘤分类和治疗计划.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 精确的脑瘤手术前分类对于有效的治疗计划和预后至关重要.
- 不侵入性地区分高度质瘤 (HGG) 和低度质瘤 (LGG) 仍然是一个挑战.
研究的目的:
- 开发和验证使用全脑静止状态功能磁共振成像 (rs-fMRI) 生物标志物的非侵入性机器学习模型.
- 在额叶区分HGG和LGG,以改善手术前分层.
主要方法:
- 对138名额叶质瘤患者 (78名LGG,60名HGG) 的回顾性分析.
- 从rs-fMRI数据中提取7134个特征,包括mALFF,mPerAF,mReHo和RSFC.
- 使用统计测试和机器学习算法 (SVM,随机森林等) 进行特征选择. 训练和测试分为7:3的时间.
主要成果:
- 一个支持矢量机 (SVM) 模型利用12个选定的特性 (7 RSFC,4 mPerAF,1 mReHo) 证明了最佳的性能.
- 在训练组中,SVM模型的准确度达到0.957,在测试组中达到0.727.
- 在ROC曲线下的面积为0.972 (培训) 和0.799 (测试),表明强大的区分能力.
结论:
- 开发的rs-fMRI放射学方法为手术前质瘤分类提供了一个客观的工具.
- 选择的特征突出了不同的神经可塑性模式,增强了对质瘤网络相互作用的理解.
