支持向量机器分类的F-FDG PET扫描跨越了肌缩性侧面硬化症的亚型

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 神经学 神经学

背景情况:

• ¹⁸F-FDG PET成像显示了肌缩侧面硬化症 (ALS) 的组级差异.
• 机器学习算法可以完善ALS亚型的诊断能力.
• 支持向量机器 (SVM) 为主体级别的ALS诊断提供了潜力.

研究的目的:

• 评估F-FDG PET在ALS中使用SVM的诊断潜力.
• 评估SVM分类遗传亚型 (C9orf72重复扩张与零星ALS) 和临床表型 (突与脊柱发作) 的能力.
• 提高F-FDG PET在ALS诊断中的可靠性和适用性.

主要方法:

• 分析使用了两个数据集 (数据集1: 167 PwALS, 36 HV, 25 模拟;数据集2: 183 PwALS, 31 模拟).
• 采用线性支向量机器 (SVM),对年龄匹配的空间规范化F-FDG PET数据进行交叉验证.
• 机密ALS与机密ALS对比 健康志愿者 (HV),ALS与模仿者,ALS^C9orf72RE与sALS,以及柱与脊柱发病.

主要成果:

• 数据组1:SVM在ALS与HV之间实现了0.86的准确性,在ALS与模仿者之间达到0.53,在ALS^C9orf72RE与sALS之间达到0.83,在柱与脊柱之间达到0.58.
• 数据集2证实了这些发现,显示ALS^C9orf72RE与sALS的准确度高达0.76,以及巴与脊柱发作的0.59.
• 在区分ALS^C9orf72RE和sALS时观察到高精度.

结论:

• 结合SVM和年龄匹配的F-FDG PET有效地区分ALS和sALS.
• 该方法缺乏足够的辨别能力来区分ALS和模仿疾病.
• 这种方法不足以区分ALS的凸骨和脊柱发病类型.