烟草使用障碍中的异常白质微观结构:基于全脑骨架化DTI数据的机器学习研究
Lei Jiang1, Yan Kang1, Xu Han2
1State Key Laboratory of Magnetic Resonance Spectroscopy and Imaging, National Center for Magnetic Resonance in Wuhan, Wuhan Institute of Physics and Mathematics, Innovation Academy for Precision Measurement Science and Technology, Chinese Academy of Sciences, Wuhan 430071, China; University of Chinese Academy of Sciences, Beijing 100049, China.
Drug and alcohol dependence
|October 30, 2025
概括
这项研究使用机器学习来识别烟草使用障碍 (TUD) 患者的脑白质 (WM) 差异. 该方法准确地区分了TUD参与者,并发现了WM变化和吸烟开始年龄之间的相关性.
科学领域:
- 神经成像是一种神经成像.
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 吸烟与异常的白质 (WM) 微观结构有关.
- 传统的分析方法在识别吸烟相关的WM变化时可能产生错误的阳性/阴性.
- 多变量机器学习提供了与吸烟相关的WM区域的增强识别.
研究的目的:
- 应用多变量机器学习方法,以更好地识别与吸烟相关的WM变化.
- 使用扩散指标,将吸烟障碍 (TUD) 患者与非TUD患者区分开来.
- 探索大脑结构变化与吸烟行为之间的关系.
主要方法:
- 利用了60名TUD和66名非TUD参与者的全脑骨化扩散MRI指标.
- 训练了一种线性支向量机 (SVM) 分类器来区分组.
- 通过歧视性得分和与吸烟变量相关的得分来确定与吸烟有关的WM区域.
主要成果:
- SVM分类器实现了>0.80准确度和>0.91 AUC.
- 在前面的冠状辐射,后面的胸膜辐射和大脑质体的基因中发现了最大的分辨权.
- 分类得分与早期开始吸烟的年龄正相关.
结论:
- 使用全脑扩散指标的多变量方法超过了区域分析.
- 确定的WM区域有效地区分了尼古丁成的个体.
- 这种方法有助于更好地理解吸烟相关的大脑变化和尼古丁成.
