基于全脑白质纤维应变的深度学习脑震荡分类
定量方法
2018-05-28 v2
摘要
开发准确可靠的损伤预测器是创伤性脑损伤生物力学研究的核心。最先进的努力继续依赖基于运动学或模型估计的组织响应的经验性标量指标，这些响应在特定感兴趣的脑区中显式预定义。它们可能遭受信息丢失。单个训练数据集也被用于评估性能但未进行交叉验证。在本研究中，我们开发了一种深度学习方法来对脑震荡进行分类，使用整个体素级白质纤维应变的隐式特征。利用重建的美国国家橄榄球联盟（NFL）损伤病例，采用留一交叉验证来客观比较损伤预测性能与两种基线机器学习分类器（支持向量机（SVM）和随机森林（RF））以及通过单变量逻辑回归得到的四个标量指标（脑损伤标准（BrIC）、全脑累积应变损伤度量（CSDM-WB）和胼胝体累积应变损伤度量（CSDM-CC），以及胼胝体中的峰值纤维应变）。基于特征的深度学习和机器学习分类器在交叉验证中所有性能类别上始终优于所有标量损伤指标（例如，基于测试数据集的平均准确率 0.844 对比 0.746，平均受试者工作特征曲线下面积（AUC）0.873 对比 0.769）。尽管如此，深度学习取得了最佳的交叉验证准确率、灵敏度和 AUC（例如，准确率 0.862 对比 SVM 的 0.828 和 RF 的 0.842）。这些发现证明了深度学习在脑震荡预测中的优越性能，并暗示其在创伤性脑损伤生物力学研究未来应用中的前景。
引用
@article{arxiv.1705.04600,
title = {Concussion classification via deep learning using whole-brain white matter fiber strains},
author = {Yunliang Cai and Shaoju Wu and Wei Zhao and Zhigang Li and Songbai Ji},
journal= {arXiv preprint arXiv:1705.04600},
year = {2018}
}
备注
18 pages, 7 figures, and 4 tables