机构名称：
¥ 1.0
帕金森病的早期和准确鉴别诊断仍然是临床医生面临的重大挑战。近年来，许多研究利用磁共振成像数据结合机器学习和统计分类器成功区分了不同形式的帕金森病。然而，为了尽量减少偏差和伪影驱动的分类，仍存在一些问题和方法问题。在本研究中，我们比较了不同的特征选择方法和不同的磁共振成像模式，并匹配良好的患者组，并严格控制与患者运动相关的数据质量问题。我们的样本来自 69 名健康对照者，以及特发性帕金森病 (n = 35)、进行性核上性麻痹理查森综合征 (n = 52) 和皮层基底节综合征 (n = 36) 患者。参与者接受了标准化 T1 加权和弥散加权磁共振成像。严格的数据质量控制和组匹配将对照组和患者组的数量分别减少到43、32、33 和 26。我们比较了两种不同的特征选择和降维方法：全脑主成分分析和基于解剖感兴趣区域的方法。在这两种情况下，支持向量机都用于构建健康对照组和患者的成对分类的统计模型。使用留二交叉验证方法以及使用不同受试者集的独立验证来估计每个模型的准确度。我们的交叉验证结果表明，与基于感兴趣区域的方法相比，使用主成分分析进行特征提取可提供更高的分类准确度。然而，当使用独立样本进行验证时，两种特征提取方法之间的差异显著缩小，这表明主成分分析方法可能更容易受到交叉验证过度拟合的影响。 T1 加权和扩散磁共振成像数据均可用于成功区分受试者组，在交叉验证分析的所有成对比较中，两种方式均不优于另一种方式。但是，当使用独立验证队列时，从扩散磁共振成像数据获得的特征可显著提高分类准确率。总体而言，我们的结果支持使用统计分类方法对帕金森病进行鉴别诊断。但是，分类准确率可能会受到组大小、年龄、性别和运动伪影的影响。通过适当的控制和样本外交叉验证，包括基于磁共振成像的分类器在内的诊断生物标志物评估可能是临床评估的重要辅助手段。
大脑通讯 AIN 通讯
主要关键词
相关文件推荐
