机器学习诊断模型用于使用MRI衍生功能的肌缩性侧面硬化症分析

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:

• 肌缩侧面硬化症 (ALS) 是一种进展性运动神经元疾病,具有重大诊断挑战.
• 目前对ALS的诊断方法缺乏可靠的成像生物标志物,导致患者识别的延迟和困难.
• 开发客观的诊断工具对于及时干预和ALS患者管理至关重要.

研究的目的:

• 将机器学习 (ML) 算法应用于MRI衍生成像变量,以开发ALS的诊断模型.
• 创建模型,可以促进和缩短肌缩侧面硬化症的诊断过程.
• 探索MRI在ALS诊断中的体积,皮层厚度和局部铁含量数据的实用性.

主要方法:

• 211名患者的数据集 (包括ALS,模仿者,遗传载体和对照) 接受了MRI扫描.
• 提取的特征包括体积,皮质厚度和局部铁含量 (T2*映射,敏感性成像).
• 一种顺序建模方法使用了特征过,维度减少 (PCA,内核PCA),过量抽样 (SMOTE,ADASYN) 和各种分类技术 (逻辑回归,LASSO,随机森林等). ) 的情况.

主要成果:

• 表现最好的模型是使用所有可用的数据进行投票分类,达到0.896.6的准确性.
• 该模型表现出强大的区分能力,曲线下的面积 (AUC) 为0.929.
• 获得了高灵敏度 (0.886) 和特异性 (0.929),表明了强大的分类性能.

结论:

• 应用于MRI衍生成像变量的机器学习技术显示出对ALS诊断的巨大潜力.
• 开发的诊断模型可以作为有价值的临床工具,支持决策过程.
• 体积测量,皮层厚度和局部铁成像特征是ALS检测的有希望的指标.