在rs-fMRI上进行多式对比学习,以量化在下丘脑瘤手术后全脑网络恢复的数量

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:

• 由于下垂体瘤 (HH) 引起的往往导致性脑病,由于药物无效,需要手术干预.
• 量化手术对全脑网络的影响,这是脑病变的关键生物标志物,仍然是一个挑战.
• 术前和术后细微的网络变化可能会被传统的静止状态fMRI (rs-fMRI) 分析遗漏.

研究的目的:

• 开发和验证一种新的算法,用于在下丘脑瘤手术后检测大脑网络中的功能转变.
• 使用机器学习方法区分手术前和手术后的大脑网络状态.
• 建立一个定量方法来评估外科手术对大脑网络功能的影响.

主要方法:

• 从56名HH患者 (手术前和手术后) 的rs-fMRI数据的回顾性分析.
• 开发一个两阶段的对比学习算法,集成3D空间和1D时间独立组件分析 (ICA) 数据.
• 将运动,视觉,语言,额头和时间网络分为术前和术后状态的分类.

主要成果:

• 在所有分析网络中,t-SNE可视化显示了手术前和手术后状态的明显分离.
• 该算法实现了高性能指标,包括平均精度 (0.85-0.90),灵敏度 (0.79-0.90),特异性 (0.87-0.93),F1得分 (0.83-0.90) 和AUC (0.90-0.94).
• 这些结果表明,手术后功能网络变化的敏感检测.

结论:

• 对比式学习提供了一种敏感的方法来检测关键皮质网络中的功能网络转移,可能克服传统分析的局限性.
• 这些发现提供了成功的HH手术后全球大脑网络改变的见解.
• 这种方法在术前和术后状态之间建立了特征的区别,为未来的研究铺平了道路,将HH患者与网络恢复量化对照进行比较.