基于机器学习的含渗透性白质模型：轴突脱髓鞘杯状霉素处理在体小鼠模型的实验研究
医学物理
2019-07-05 v1 神经元与认知
摘要
轴突内水交换时间{\tau}i是与轴突渗透性相关的参数，可作为理解多发性硬化等脱髓鞘病理的重要生物标志物。扩散加权MRI对渗透性变化敏感，然而由于包含该参数的数学模型难以处理，该参数一直难以获取。基于机器学习的计算模型有潜力用于估计此类参数，近来一种使用随机森林（RF）的理论框架表明这是一种有前景的方法。本研究中，我们采用该RF方法，并通过与组织学直接比较实验性地考察其作为脱髓鞘病理生物标志物的适用性。为此，我们使用具有可用离体电子显微镜（EM）数据的杯状霉素（CPZ）小鼠脱髓鞘在体模型。我们在无噪声模拟上测试模型，发现预测参数与真实参数间具有极强相关性。对于如我们在体数据中的实际噪声水平，性能受影响，但参数仍被良好估计。我们将RF模型应用于8只CPZ与8只野生型（WT）小鼠的在体数据，并利用组织学验证RF估计。我们发现{\tau}i的在体RF估计与髓鞘厚度的EM测量间强相关（{\rho_\tau}i = 0.82），且RF估计与轴突内体积分数的EM测量间强相关（{\rho_f} = 0.98）。比较CPZ与WT小鼠的{\tau}i，我们发现CPZ小鼠胼胝体中的{\tau}i较WT小鼠显著降低，符合我们对髓鞘受损区域{\tau}i较低的预期。总体而言，这些结果证明了含渗透性的机器学习区室模型作为脱髓鞘病理潜在生物标志物的适用性。
引用
@article{arxiv.1907.02324,
title = {Machine learning based white matter models with permeability: An experimental study in cuprizone treated in-vivo mouse model of axonal demyelination},
author = {Ioana Hill and Marco Palombo and Mathieu Santin and Francesca Branzoli and Anne-Charlotte Philippe and Demian Wassermann and Marie-Stephane Aigrot and Bruno Stankoff and Anne Baron-Van Evercooren and Mehdi Felfi and Dominique Langui and Hui Zhang and Stephane Lehericy and Alexandra Petiet and Daniel C. Alexander and Olga Ciccarelli and Ivana Drobnjak},
journal= {arXiv preprint arXiv:1907.02324},
year = {2019}
}