结构性脑成像生物标志物用于预测第一次未引起的发作后的发作复发

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 的研究研究.

背景情况:

• 在第一次未引起的发作 (FUS) 之后预测发作复发是临床上具有挑战性的,特别是在正常的常规MRI和EEG中.
• 微妙的大脑结构异常可能表明风险.

研究的目的:

• 将定量结构MRI生物标志物纳入预测模型,以预测12个月后发作复发的情况.
• 为了确定预测发作复发的特定大脑结构特征.

主要方法:

• 对197名患有FUS (83例复发,114例没有) 和正常/无诊断MRI/EEG的成年患者进行了回顾性分析.
• 使用FreeSurfer从3T T1加权的MRI中提取形态特征.
• 在结合成像和临床特征上训练机器学习算法 (SVM),与仅在临床特征上进行后勤回归相比.

主要成果:

• 性能最好的SVM模型实现了0.65的AUC,明显优于机会 (p=0.01).
• 仅仅基于临床因素的逻辑回归就产生了0.57的AUC,在统计学上与机会没有差异 (p=0.28).
• 关键的成像预测因素包括灰色物质体积的半球间不对称性和区域旋转曲线 (前额,边缘和边缘区域).

结论:

• 定量结构性核磁共振 (MRI) 提供了超越复发的临床因素的额外预测信息.
• 皮层折叠变化和灰质不对称性是FUS之后发作复发风险的潜在预后生物标志物.