使用磁共振指纹和机器学习进行基于表面的焦点皮质发育不良的检测
Ting-Yu Su1,2, Siyuan Hu2, Xiaofeng Wang3
1Epilepsy Center, Neurological Institute, Cleveland Clinic, Cleveland, Ohio, USA.
Epilepsia
|October 9, 2025
概括
这项研究开发了一种机器学习框架,用于使用先进的MRI技术检测焦点皮质发育不良 (FCD). 新方法提高了准确性,并减少了识别FCD病变的错误阳性.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 的研究研究.
背景情况:
- 焦点皮层发育不良 (FCD) 是耐药性的主要原因之一.
- 准确检测和FCD的亚型对于手术规划至关重要.
- 当前的成像方法在灵敏度和特异性方面可能有局限性.
研究的目的:
- 开发和验证FCD检测的新框架.
- 整合基于表面的形态测量 (SBM) 与磁共振指纹 (MRF) 和机器学习 (ML).
- 提高FCD识别的准确性并减少虚假阳性.
主要方法:
- 使用了来自114名受试者的3DMRF扫描 (T1和T2地图) 和临床MRI (T1w,FLAIR) (44名FCD患者,70名对照).
- 应用了两阶段的ML方法:顶点神经网络,然后是集群分类器.
- 使用多中心损伤检测管道提取和规范表面特征.
主要成果:
- 结合T1w,MRF和FLAIR特征,实现了71.4%的灵敏度,明显减少了假阳性 (4.7/患者).
- 该框架表明,MRI阳性和无患者的检测率更高.
- 在非II型与II型FCD的分类中达到80.8%的准确性,在IIa与IIb的分类中达到68.4%.
结论:
- 开发了一个有效的ML框架,用于FCD检测,集成SBM,临床MRI和MRF.
- 该框架提供了对错误阳性结果的改进控制和增强的损伤亚型能力.
- 模型的输出可以作为检测信心的指标,并预测的结果.
