目的:分析不同机器学习模型对阿尔茨海默病(Alzheimer’s disease,AD)与中重度脑小血管病(cerebral small vessel disease,CSVD)的鉴别价值并进行验证。方法:分别收集85例AD和98例中重度CSVD患者的影像资料,并对2组间影像特征进行对比...目的:分析不同机器学习模型对阿尔茨海默病(Alzheimer’s disease,AD)与中重度脑小血管病(cerebral small vessel disease,CSVD)的鉴别价值并进行验证。方法:分别收集85例AD和98例中重度CSVD患者的影像资料,并对2组间影像特征进行对比。利用logistic分析筛查有价值的数据并建立不同的机器学习模型,对比不同机器学习模型对鉴别AD与中重度CSVD的临床应用价值。结果:朴素贝叶斯模型的受试者工作特征曲线下面积(area under the curve,AUC)为0.853,95%CI=0.798~0.908;极限梯度提升模型的AUC为0.995,95%CI=0.989~1.000;递归分区模型的AUC为0.878,95%CI=0.827~0.929;神经网络模型的AUC为0.876,95%CI=0.828~0.925;随机森林模型的AUC为0.944,95%CI=0.913~0.975;列线图模型的AUC为0.854,95%CI=0.800~0.910。利用沙普利加和解释(shapley additive explanations,SHAP)值对极限梯度提升模型进行解释,各预测因子对诊断AD均为负向贡献;其权重分别为海马体积>颞叶ADC值>岛叶体积>缘上回体积>顶上小叶体积。结论:机器学习模型可应用于AD与中重度CSVD的鉴别中,其中极限梯度提升模型的综合诊断效能最佳;SHAP值可对各预测因素进行识别,提高模型透明度。展开更多
目的探讨伴与不伴认知功能障碍的脑小血管病(cerebral small vessel disease,CSVD)患者和健康对照(healthy control,HC)组脑功能局部一致性(regional homogeneity,ReHo)的差异及其与认知量表评分的相关性。材料与方法回顾性分析33例CSV...目的探讨伴与不伴认知功能障碍的脑小血管病(cerebral small vessel disease,CSVD)患者和健康对照(healthy control,HC)组脑功能局部一致性(regional homogeneity,ReHo)的差异及其与认知量表评分的相关性。材料与方法回顾性分析33例CSVD伴轻度认知功能障碍患者(CSVD with mild cognitive impairment,CSVD-m)、32例CSVD不伴认知功能障碍患者(CSVD with no cognitive impairment,CSVD-n)及30例性别、年龄、受教育年限相匹配的HC组的人口统计学资料,并使用一系列认知量表评分对所有受试者认知功能情况进行评估。采集所有受试者的大脑T1结构磁共振成像数据和静息态功能磁共振成像数据,计算自动解剖标记(automated anatomical labeling,AAL)模板中170个脑区的ReHo值。比较三组受试者脑区ReHo值,并分析差异脑区的ReHo值与认知量表评分的相关性。结果与HC组相比,CSVD-m组和CSVD-n组默认模式网络、皮层下网络、感觉运动网络、视觉网络存在ReHo值有差异的脑区(GRF校正,体素水平P<0.001、团块水平P<0.05);与CSVD-n组相比,CSVD-m组视觉网络存在ReHo值有差异的脑区(GRF校正,体素水平P<0.001、团块水平P<0.05)。CSVD-m组左侧尾状核(r=0.453,P=0.008)和右侧扣带回中部(r=0.349,P=0.046)ReHo值与连线B测试评分呈正相关;右侧脑岛ReHo值与听觉言语学习的延迟记忆评分呈正相关(r=0.386,P=0.027);左侧中央沟盖(r=−0.348,P=0.047)和舌回(r=−0.372,P=0.033)ReHo值与复杂图形测验的即刻记忆评分呈负相关;左侧中央后回的ReHo值与Stroop色词Ⅰ测试评分呈负相关(r=−0.347,P=0.048)。结论CSVD患者多个脑区存在功能活动局部一致性异常,尤以右侧扣带回中部和脑岛、左侧尾状核、中央沟盖、中央后回及舌回区域最为显著,且这些改变与注意力、执行功能和记忆等认知功能密切相关。这可能揭示了CSVD相关认知功能障碍的神经病理生理基础,并具有潜在的早期影像学识别价值。展开更多
文摘目的:探讨多发性硬化(Multiple sclerosis,MS)的临床和影像学表现。材料与方法:收集资料完整符合McDonald诊断标准的180例MS患者作为研究对象,按照国际MS中心制定的扫描序列进行扫描,分析MS主要临床特点、脑和脊髓病灶影像特点以及与临床残疾状态功能评分(Expanded disability status scale,EDSS)的相关性。结果:(1)本组MS患者以上呼吸道感染为主要诱因之一(27.78%),以肢体无力为最常见的症状(54.4%)。(2)按照病灶受累的部位分类:单纯脑部受累45.56%,单纯脊髓受累29.44%,脑和脊髓均受累25%,三者之间的EDSS评分有统计学差别(P<0.05)。(3)下颈髓和上胸髓最易受累,≤3个节段的病灶数占74.49%,累及1～2个节段脊髓病灶例数最多。结论:结合临床和MRI影像特征,有利于MS的诊断和监测病灶的发展。
文摘目的:分析不同机器学习模型对阿尔茨海默病(Alzheimer’s disease,AD)与中重度脑小血管病(cerebral small vessel disease,CSVD)的鉴别价值并进行验证。方法:分别收集85例AD和98例中重度CSVD患者的影像资料,并对2组间影像特征进行对比。利用logistic分析筛查有价值的数据并建立不同的机器学习模型,对比不同机器学习模型对鉴别AD与中重度CSVD的临床应用价值。结果:朴素贝叶斯模型的受试者工作特征曲线下面积(area under the curve,AUC)为0.853,95%CI=0.798~0.908;极限梯度提升模型的AUC为0.995,95%CI=0.989~1.000;递归分区模型的AUC为0.878,95%CI=0.827~0.929;神经网络模型的AUC为0.876,95%CI=0.828~0.925;随机森林模型的AUC为0.944,95%CI=0.913~0.975;列线图模型的AUC为0.854,95%CI=0.800~0.910。利用沙普利加和解释(shapley additive explanations,SHAP)值对极限梯度提升模型进行解释,各预测因子对诊断AD均为负向贡献;其权重分别为海马体积>颞叶ADC值>岛叶体积>缘上回体积>顶上小叶体积。结论:机器学习模型可应用于AD与中重度CSVD的鉴别中,其中极限梯度提升模型的综合诊断效能最佳;SHAP值可对各预测因素进行识别,提高模型透明度。
文摘目的探讨伴与不伴认知功能障碍的脑小血管病(cerebral small vessel disease,CSVD)患者和健康对照(healthy control,HC)组脑功能局部一致性(regional homogeneity,ReHo)的差异及其与认知量表评分的相关性。材料与方法回顾性分析33例CSVD伴轻度认知功能障碍患者(CSVD with mild cognitive impairment,CSVD-m)、32例CSVD不伴认知功能障碍患者(CSVD with no cognitive impairment,CSVD-n)及30例性别、年龄、受教育年限相匹配的HC组的人口统计学资料,并使用一系列认知量表评分对所有受试者认知功能情况进行评估。采集所有受试者的大脑T1结构磁共振成像数据和静息态功能磁共振成像数据,计算自动解剖标记(automated anatomical labeling,AAL)模板中170个脑区的ReHo值。比较三组受试者脑区ReHo值,并分析差异脑区的ReHo值与认知量表评分的相关性。结果与HC组相比,CSVD-m组和CSVD-n组默认模式网络、皮层下网络、感觉运动网络、视觉网络存在ReHo值有差异的脑区(GRF校正,体素水平P<0.001、团块水平P<0.05);与CSVD-n组相比,CSVD-m组视觉网络存在ReHo值有差异的脑区(GRF校正,体素水平P<0.001、团块水平P<0.05)。CSVD-m组左侧尾状核(r=0.453,P=0.008)和右侧扣带回中部(r=0.349,P=0.046)ReHo值与连线B测试评分呈正相关;右侧脑岛ReHo值与听觉言语学习的延迟记忆评分呈正相关(r=0.386,P=0.027);左侧中央沟盖(r=−0.348,P=0.047)和舌回(r=−0.372,P=0.033)ReHo值与复杂图形测验的即刻记忆评分呈负相关;左侧中央后回的ReHo值与Stroop色词Ⅰ测试评分呈负相关(r=−0.347,P=0.048)。结论CSVD患者多个脑区存在功能活动局部一致性异常,尤以右侧扣带回中部和脑岛、左侧尾状核、中央沟盖、中央后回及舌回区域最为显著,且这些改变与注意力、执行功能和记忆等认知功能密切相关。这可能揭示了CSVD相关认知功能障碍的神经病理生理基础,并具有潜在的早期影像学识别价值。
