论文部分内容阅读
目的:利用递归特征消除(Recursive feature elimination，RFE)方法，选取辨别能力较强的体素，应用线性支持向量机(Support vector machine，SVM)方法进行分类，寻求可用于区分轻度创伤性脑损伤（mild traumatic brain injury，mTBI）和正常对照组的特征性影像学指标集，并确定对分类最为敏感的关键脑区或网络。 方法:24例mTBI患者（男15例，女9例;平均年龄:38.88±13.33岁;受教育程度:8.88±3.58年）和24例状态匹配的健康志愿者（男13例，女11例;平均年龄:40.46±11.4岁;平均受教育程度:8.54±3.41年）接受一次静息态功能磁共振扫描及行为学量表评估。低频振幅(Amplitude of low-frequencyfluctuation，ALFF)、分数低频振幅(fractional amplitude of low-frequencyfluctuation，fALFF)、局部一致性（Regional homogeneity，ReHo）、度中心度(degreecentrality，DC)、对称体素同伦连接(voxel-mirrored homotopic connectivity,VMHC)、长程功能连接密度(functional connectivity density，FCD)和短程FCD七个指标随机组合，总共有126种组合。SVM-RFE机器学习分类方法用以评估这126种组合区分正常对照组和mTBI组的鉴别能力，观察其分类的准确率、敏感性、特异性及曲线下面积(Area under the curve，AUC)。这些特征经SVM-RFE方法降维后，得到分类性能最佳的重要特征，对其贡献度进行归一化，并映射到三维脑区表面。 结果:任何一个影像学指标单独区分正常对照组与mTBI组的效能均不高。ALFF、fALFF、ReHo、DC、VMHC、短程FCD和长程FCD共7个指标中，ALFF区分两组的能力最强，但其区分两组的AUC值、正确率、最优敏感性和最优特异性分别为0.692，70.89％、67％和75％。随后，我们分别将多个指标特征进行融合用于区分两组。在126种组合中，将ALFF、fALFF、DC、VMHC和短程FCD这5个指标的特征进行融合时，线性SVM-RFE机器学习分类方法对正常对照组与mTBI组的分类效能达到最优，该组合的AUC值、正确率、最优敏感性和最优特异性分别提高至0.778，81.11％,88％和75％。该组合对正常对照组与mTBI组具有较强区分能力的脑区主要包括双侧小脑、左侧眶额皮层、左侧楔叶、左侧颞极、右侧枕下回、双侧顶叶及左侧辅助运动区等区域。 结论:多指标特征融合可提高线性SVM-RFE机器学习的分类效能。理解mTBI患者脑部功能的演变规律，将为临床早期诊断、及时治疗和预后评估提供可靠依据，为揭示mTBI的神经生物学机制提供重要理论依据。