多模式MRI分析选择关键大脑特征用于基于机器学习的糖尿病神经病痛和表型的分类

科学领域:

• 神经科学是一个神经科学.
• 放射学 放射学是一门学科.
• 内分泌学 在内分泌学.

背景情况:

• 糖尿病外围神经病变 (DPN) 和神经性疼痛涉及大脑变化.
• 这些包括大脑体积,皮质厚度,深度,代谢物和功能连接的变化.

研究的目的:

• 为了区分糖尿病的临床表型与1型糖尿病,DPN和DPN相关的疼痛.
• 用多式磁共振成像 (MRI) 和机器学习来识别与这些表型相关的独特大脑特征.

主要方法:

• 利用了76名参与者的多式核磁共振 (MRI) 数据 (20名健康患者,56名1型糖尿病患者:18人没有DPN,19人没有疼痛的DPN,19人有疼痛的DPN).
• 采用了三种机器学习分类器来分析大脑特征并预测类成员.
• 评估特征的重要性,类成员概率和与临床措施的相关性.

主要成果:

• 大多数组的分类准确度≥0.75,整体准确度为0.71.
• 功能连接性,N-乙酸/肌比率和深度是最有信息的特征.
• 疼痛的DPN可以通过概率 (p ≤ 0.01) 来区分,与疼痛指标相关联.
• 没有DPN的糖尿病与外侧神经传导 (p ≤ 0.001) 和热检测值 (p ≤ 0.001) 相相关.

结论:

• 多模式MRI为表型糖尿病,DPN和DPN相关的疼痛提供了补充信息.
• 功能连接是糖尿病神经病变和疼痛中大脑表现的关键指标.
• 这些研究结果支持为个性化糖尿病治疗开发分级和预后工具.