| 刘雨晴，易婷，高兵，蔡齐芳，金科.脑网络分析早期诊断自闭症谱系障碍：基于扩散基谱成像和机器学习[J].放射学实践,2024,(12):1551-1557 |
| 脑网络分析早期诊断自闭症谱系障碍：基于扩散基谱成像和机器学习 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2024.12.002 |
| 中文关键词: 扩散基础光谱成像 机器学习 自闭症谱系障碍 预测效能 |
| 基金项目: |
|
| 摘要点击次数: 650 |
| 全文下载次数: 1219 |
| 中文摘要: |
| 【摘要】目的：利用扩散基光谱成像（DBSI）结合深度学习方法，探索学龄前自闭症谱系障碍（ASD）儿童脑网络的拓扑结构变化及其诊断价值。方法：回顾性分析2022年9月－2023年7月在本院确诊的31例ASD患者和30例健康志愿者（HCs）的临床及颅脑DBSI（DBSI_20、DBSI_21）资料。两组受试者的年龄均为2~6岁。将每例受试者的DBSI_20和DBSI_21的原始数据导入DSI工作软件，生成DBSI_combine扩散图像。对DBSI_20、DBSI_21和DBSI_combine三组图像数据分别采用DSI Studio进行连通性矩阵和图理论分析，并采用Kruskal-Wallis方法提取全局图和节点图测量中组间差异最显著的特征；使用Pearson相关系数 (PCC）方法对相关系数大于0.99的特征进行降维，减少特征数。采用?方法将筛选得到的三组最优特征分别构建预测ASD的模型，并采用ROC曲线分析评估3个模型的预测效能，评估指标包括符合率、召回率、精确率、F1分数和ROC曲线下面积（AUC）。结果：基于DBSI_20序列构建的模型中，最具辨别能力的特征是左侧角回偏心率和右侧颞中回偏心率；基于DBSI_21序列构建的模型中，最具辨别能力的特征是右上颞叶特征向量中心性和左小脑9区网页排名中心性；基于DBSI_combine图像构建的模型中，最具辨别能力的特征是左中央后回的中心度和左角回偏心率。基于DBSI_20序列构建的分类模型的AUC高于基于DBSI_21序列构建的模型（0.963 vs.0.481），基于DBSI_combine序列构建的分类模型的AUC（0.975）最高。DBSI_20模型的符合率、召回率、精确率和F1分数分别为0.890、1.000、0.784和0.879，DBSI_21模型的相应参数值分别为0.579、0.556、0.861和0.675，DBSI_combine模型分别为0.936、0.889、1.000和0.979。结论：基于DBSI_20或DBSI_combine序列构建的分类模型能够较准确地预测学龄前ASD儿童，且以DBSI_combine模型的效能更佳。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
