用机器学习的静止状态时间转移用于BOLD-CVR的自动化在线规范化程序.
Yihui Zhu1, Siddhant Dogra1, Xiuyuan Wang1
1From the Department of Radiology (Y.Z., J.R.P., S. Dehkharghani), Stanford University School of Medicine, Palo Alto, CA, USA; .Department of Radiology (Y.Z., S. Dogra, S. Dehkharghani), New York University Grossman School of Medicine, New York, NY, USA and Department of Radiology (X.W.), Weill Cornell Medical College, New York, NY, USA.
AJNR. American journal of neuroradiology
|February 25, 2026
概括
这项研究引入了一种使用静止状态BOLD信号的自动化方法,用于预测健康的大脑组织,以准确评估脑血管反应 (CVR). 这种新方法改善了CVR估计,特别是在双边疾病患者中,克服了传统方法的局限性.
科学领域:
- 神经成像是一种神经成像.
- 血管神经学 血管神经学
- 机器学习在医学中的应用
背景情况:
- 脑血管反应率 (CVR) 评估对于估计血液动力学损伤至关重要.
- 传统的CVR方法在双边疾病中面临挑战,原因是混因素.
- 之前的工作从成像数据中确定了健康的voxel签名.
研究的目的:
- 引入一种自动化的,直线的方法,用静止状态的BOLD (rs-BOLD) 信号来预测健康的voxel CVR.
- 假设在基底真相10%的误差范围内准确预测健康-voxel CVR.
- 克服目前对双边脑血管疾病的CVR评估的局限性.
主要方法:
- 开发了基于rs-BOLD基线,解剖学和血管参数训练的机器学习模型,来自22名单边狭性疾病 (SOD) 患者和20名健康对照.
- 计算了32个不同的时间延迟和32个最大的相关值,限制在配对的动脉区域.
- 根据地面真相参考CVR值对预测性能进行评估.
主要成果:
- 组装模型在预测未受影响的口腔中获得了0.81的AUC,中位数绝对百分比误差为7.28%的中位数参考CVR.
- 与天真全脑声素选择 (P=0.005) 和传统小脑正常化 (中位误差26.4%) 相比,显著改善.
- 在双边病例中,该模型显示候选声元减少,但异常区域的划分得到改善.
结论:
- 使用 BOLD-CVR MRI 证明了学习未受影响的参考声素 CVR 签名的可行性.
- 这种自动化方法将大脑的CVR评估能力扩展到目前的局限性之外,特别是在双边疾病中.
- 该方法在复杂的脑血管疾病中提供了更可靠的CVR估计.
相关概念视频
02:07Improving Translational Accuracy
15.3K
Base complementarity between the three base pairs of mRNA codon and the tRNA anticodon is not a failsafe mechanism. Inaccuracies can range from a single mismatch to no correct base pairing at all. The free energy difference between the correct and nearly correct base pairs can be as small as 3 kcal/ mol. With complementarity being the only proofreading step, the estimated error frequency would be one wrong amino acid in every 100 amino acids incorporated. However, error frequencies observed in...
15.3K
02:07Improving Translational Accuracy
3.7K
3.7K