在mTLE中解开模式:以DWI为中心的机器学习调查

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 的研究研究.

背景情况:

• 弥生叶 (mTLE) 是一种常见的耐药性.
• 扩散加权成像 (DWI) 为像18F-FDG PET这样的技术提供了一个无辐射的替代方案,用于mTLE横向化.

研究的目的:

• 开发和评估机器学习模型,利用DWI衍生特征来分类左mTLE,右mTLE和健康对照.
• 为了比较不同特征选择和分类算法对mTLE横向化的有效性.

主要方法:

• 收集了66名受试者的DWI数据 (24个左mTLE,22个右mTLE,20个对照).
• 使用MRtrix软件提取特征,并比较了三个特征选择方法 (遗传算法,PCA,XGBoost).
• 使用四个算法 (SVM,决策树,分类器,天真贝叶斯) 进行分类,并进行5倍交叉验证.

主要成果:

• 遗传算法在特征选择方面被证明是优越的.
• 脊分类器实现了高精度:0.957 (左与正常),0.957 (右与正常) 和0.839 (左与右).
• 关键的区分特征包括本地效率,模块化,集群系数,中间中心性和PageRank.

结论:

• 基于DWI的机器学习模型显示了自动化mTLE横向化的巨大潜力.
• 这种非侵入性方法可以帮助临床决策在mTLE诊断和手术规划.
• DWI与AI相结合,为识别mTLE中受影响的大脑半球提供了一个有效的神经成像策略.