用休息fMRI指标和机器学习技术识别MRI阴性叶

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 的诊断 的诊断

背景情况:

• 大约30%的叶 (TLE) 病例是MRI阴性,使诊断复杂化.
• 从临床上来看,对MRI阴性TLE与健康个体的准确区分具有意义.

研究的目的:

• 评估机器学习 (ML) 模型,以使用休息状态功能性MRI (rs-fMRI) 度量来诊断MRI阴性TLE.
• 为了比较单个vs组合的rs-fMRI指数的诊断性能.

主要方法:

• 从90名MRI阴性TLE患者和90名健康对照患者的rs-fMRI数据的回顾性分析.
• 功能指数的提取:度中心性 (DC),voxel-mirrored同位素连接性 (VMHC),区域同质性 (ReHo),低频波动的分数幅度 (fALFF) 和低频波动的幅度 (ALFF).
• 在训练/测试集上使用支持向量机 (SVM),随机森林 (RF) 和后勤回归 (LR) 进行分类;通过AUC,精度,灵敏度和特异性评估性能.

主要成果:

• 结合rs-fMRI指数的SVM模型实现了最高的性能,测试组的AUC为0.89和82%的准确性.
• 小脑中低频波动 (ALFF) 的幅度是最佳SVM模型中最重要的特征.
• 使用单个rs-fMRI指数的模型显示出较低的诊断性能,RF使用DC仅达到47%的准确性.

结论:

• 结合的rs-fMRI指数,特别是在SVM框架内,显示出诊断MRI阴性TLE的巨大潜力.
• rs-fMRI指标提供了一个补充的方法来分类TLE患者,当传统的MRI是不确定的.
• 需要进一步验证以将这些基于ML的rs-fMRI发现纳入临床实践.