在慢性病中诊断认知障碍:放射学和机器学习方法与定量敏感度映射
Yi-Fan Guo1, Yuan-Zhe Li2, Yu Qi3
1Department of Radiology, The First Affiliated Hospital of Zhejiang Chinese Medical University (Zhejiang Provincial Hospital of Traditional Chinese Medicine), Hangzhou, China; The First School of Clinical Medicine, Zhejiang Chinese Medical University, Hangzhou, China.
Brain research bulletin
|January 6, 2026
概括
一个新的放射学模型使用量化敏感度映射 (QSM) 布塔门显示,有望检测慢性病 (CKD) 患者的认知障碍. 将其与临床数据相结合,进一步提高了诊断准确度.
科学领域:
- 神经成像是一种神经成像.
- 放射学 放射学是一门学科.
- 机器学习 机器学习
背景情况:
- 慢性病 (CKD) 与基底的磁性敏感性变化有关,有助于认知障碍 (CI).
- 目前用于CKD相关CI的诊断方法可能缺乏敏感性或是侵入性.
研究的目的:
- 开发和验证一个放射学模型,使用定量敏感度映射 (QSM) 和机器学习来诊断CKD相关的CI.
- 评估临床特征对放射学模型的附加值.
主要方法:
- 招募了161名CKD患者;在QSM图像上从基底腺核中提取了放射性特征.
- 评估了机器学习算法,并使用决策曲线分析 (DCA) 选择了最佳模型.
- 一个组合模型将放射学与临床数据集成在一起,通过ROC分析和DCA评估性能.
主要成果:
- 一个基于门的支持向量机 (SVM) 放射学模型实现了高AUC (0.929训练,0.891测试).
- 组合模型表现出优异的性能,AUC为0.964 (训练) 和0.933 (测试).
- 德卡证实了组合模型的最高净收益.
结论:
- 门的基于QSM的放射学是一种有希望的非侵入性工具,用于识别与CKD相关的CI.
- 将临床特征与放射学模型相结合,可以提高诊断性能.


