基于机器学习技术的放射孤立综合征与临床孤立综合征分类
机器学习
2024-01-25 v1
摘要
背景与目的：在无症状受试者大脑中，通过磁共振成像（MRI）意外检测到提示多发性硬化症（MS）的白质病变，被命名为放射孤立综合征（RIS）。由于早期 MS [即临床孤立综合征（CIS）] 与 RIS 的区别在于临床事件的发生，因此在不干扰 MRI 的情况下改进这种亚临床形式的检测是合乎逻辑的，因为已有相应的放射学诊断标准。我们的目标是使用机器学习分类方法识别形态计量学指标，以帮助区分 RIS 患者和 CIS 患者。方法：我们采用多模态 3-T MRI 方法，结合了由 17 名 RIS 患者和 17 名 CIS 患者组成的队列的 MRI 生物标志物（皮质厚度、皮质和皮质下灰质体积以及白质完整性），用于单被试水平分类。结果：预测 CIS 和 RIS 诊断的最佳提出模型基于 Naive Bayes、Bagging 和 Multilayer Perceptron 分类器，仅使用三个特征：左侧嘴侧中额回体积，以及右侧杏仁核和右侧舌回的分数各向异性值。Naive Bayes 获得了最高的准确率[总体分类准确率，0.765；受试者工作特征曲线下面积（AUROC），0.782]。结论：应用于多模态 MRI 数据的机器学习方法可以区分 MS 的最早临床表现（CIS 和 RIS），准确率达 78%。关键词：Bagging；Multilayer Perceptron；Naive Bayes 分类器；临床孤立综合征；弥散张量成像；机器学习；磁共振成像；多发性硬化症；放射孤立综合征。
引用
@article{arxiv.2401.13301,
title = {Classification of Radiologically Isolated Syndrome and Clinically Isolated Syndrome with Machine-Learning Techniques},
author = {V Mato-Abad and A Labiano-Fontcuberta and S Rodriguez-Yanez and R Garcia-Vazquez and CR Munteanu and J Andrade-Garda and A Domingo-Santos and V Galan Sanchez-Seco and Y Aladro and ML Martinez-Gines and L Ayuso and J Benito-Leon},
journal= {arXiv preprint arXiv:2401.13301},
year = {2024}
}
备注
24 pages, 2 tables