目的观察基于灰质体积(GMV)支持向量机(SVM)模型评估肌萎缩侧索硬化(ALS)的价值,并分析相关脑区。方法回顾性分析60例ALS患者(ALS组)及60名健康志愿者(对照组)MR 3D T1WI数据,以基于体素形态学测量方法所获各脑区GMV作为输入特征,采用F-...目的观察基于灰质体积(GMV)支持向量机(SVM)模型评估肌萎缩侧索硬化(ALS)的价值,并分析相关脑区。方法回顾性分析60例ALS患者(ALS组)及60名健康志愿者(对照组)MR 3D T1WI数据,以基于体素形态学测量方法所获各脑区GMV作为输入特征,采用F-score分析选择对应分类准确率最高的特征构建SVM模型。绘制受试者工作特征曲线,观察SVM模型评估ALS效能;将权重阈值设为前10%,获取对模型贡献最大的灰质脑区。结果基于排名前40%的GMV特征构建的SVM模型分类准确率最高(82.50%),其对应敏感度、特异度及曲线下面积(AUC)分别为85.05%、80.40%及0.890。左侧中央前回、左侧前扣带回与旁扣带回、右侧颞中回、左侧岛盖部额下回、右侧背外侧额上回、左侧颞极:颞中回、右侧枕上回、右侧眶部额中回、右侧距状裂周围皮层及右侧梭状回依次为对分类模型贡献排名前1~10的灰质脑区。结论ALS存在特定GMV改变模式,基于GMV SVM模型可有效评估ALS;左侧中央前回为对该模型贡献最大的脑区。展开更多
文摘目的观察基于灰质体积(GMV)支持向量机(SVM)模型评估肌萎缩侧索硬化(ALS)的价值,并分析相关脑区。方法回顾性分析60例ALS患者(ALS组)及60名健康志愿者(对照组)MR 3D T1WI数据,以基于体素形态学测量方法所获各脑区GMV作为输入特征,采用F-score分析选择对应分类准确率最高的特征构建SVM模型。绘制受试者工作特征曲线,观察SVM模型评估ALS效能;将权重阈值设为前10%,获取对模型贡献最大的灰质脑区。结果基于排名前40%的GMV特征构建的SVM模型分类准确率最高(82.50%),其对应敏感度、特异度及曲线下面积(AUC)分别为85.05%、80.40%及0.890。左侧中央前回、左侧前扣带回与旁扣带回、右侧颞中回、左侧岛盖部额下回、右侧背外侧额上回、左侧颞极:颞中回、右侧枕上回、右侧眶部额中回、右侧距状裂周围皮层及右侧梭状回依次为对分类模型贡献排名前1~10的灰质脑区。结论ALS存在特定GMV改变模式,基于GMV SVM模型可有效评估ALS;左侧中央前回为对该模型贡献最大的脑区。
