为飞行学员开发基于多式磁共振成像的机器学习预测模型

科学领域:

• 神经科学是一个神经科学.
• 航空航天医学 航空航天医学
• 机器学习 机器学习

背景情况:

• 目前在民用航空中选择飞行学员和培训方法是漫长和主观的.
• 需要客观的评估工具来提高评估飞行能力的准确性和效率.
• 了解飞行相关技能的神经基础可以为选择和培训协议提供信息.

研究的目的:

• 开发和验证使用多模式MRI数据的机器学习模型,以区分飞行学员和地面学员.
• 识别与高级认知功能,视觉处理和与飞行技能相关的注意力分配相关的神经影像特征.
• 为改善飞行学员的选择和培训评估提供数据驱动的方法.

主要方法:

• 收集的多模式MRI数据:来自飞行和地面学员的结构MRI (sMRI),扩散张力成像 (DTI) 和功能MRI (fMRI).
• 从每个MRI模式中提取并融合了代表性特征.
• 采用机器学习分类器 (逻辑回归,随机森林,支持矢量机,高斯素朴贝叶斯) 具有五倍交叉验证.

主要成果:

• 结合sMRI,DTI,fMRI和后勤回归的多式融合模型实现了最佳性能.
• 在区分学员中获得了高精度 (0.838),AUC (0.942),灵敏度 (0.835) 和特异性 (0.834).
• 沙普利添加剂的解释确定了与认知功能,视觉处理和注意力相关的关键特征.

结论:

• 多模式MRI与机器学习相结合,为飞行学员评估提供了强大而客观的方法.
• 这项研究强调了神经成像和人工智能在理解和增强飞行相关技能方面的潜力.
• 这种方法可以通过减少主观性和提高效率来彻底改变飞行学员的选择和培训评估.