对定量合成MRI在评估注意力缺陷/多动症障碍方面的研究

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 医学诊断 医学诊断 医学诊断

背景情况:

• 合成磁共振成像 (SyMRI) 量化组织放松时间以表征微观结构变化.
• 注意缺陷/多动障碍 (ADHD) 是一种具有复杂潜在大脑病理的疾病.
• 确定ADHD可靠的生物标志物对于早期诊断和干预至关重要.

研究的目的:

• 调查机器学习算法和SyMRI在识别ADHD方面的联合实用性.
• 使用定量SYMRI指标揭示与ADHD相关的特定大脑病理.
• 评估基于SyMRI的ADHD机器学习模型的诊断性能.

主要方法:

• 从50名ADHD患者和50名健康对照人群 (HCs) 中提取了定量SyMRI参数 (T1,T2放松计,髓体积分数).
• 选择特征是使用两样 t 试验和 LASSO 进行的.
• 机器学习模型 (SVM,随机森林,线性回归) 根据单个和组合特征进行训练和评估.

主要成果:

• 使用综合SyMRI特征的机器学习模型实现了高分类精度 (高达0.780),优于单一特征模型.
• 区分性特征突出显示了前额/叶和小脑的宏观结构差异,以及白质道的微观结构变化 (体,前额道等). ) 的情况.
• 左环膜中T2放松时间与ADHD症状严重程度相关.

结论:

• 多参数的SYMRI与机器学习相结合,可以准确地区分ADHD和HC.
• 这种方法揭示了与ADHD相关的灰色和白质微观结构变化.
• 赛姆瑞提供了一个有前途的成像标记,用于早期检测和理解与ADHD相关的神经生物学.