目的:结合多模态磁共振成像和人工智能技术,探索建立精神分裂症影像学辅助诊断工具。方法:利用3个独立数据集,基于每名被试的脑结构磁共振成像(structural magnetic resonance imaging,sMRI)数据提取灰质体积(grey matter volume,GMV)...目的:结合多模态磁共振成像和人工智能技术,探索建立精神分裂症影像学辅助诊断工具。方法:利用3个独立数据集,基于每名被试的脑结构磁共振成像(structural magnetic resonance imaging,sMRI)数据提取灰质体积(grey matter volume,GMV)、白质体积(white matter volume,WMV)、皮质厚度(cortical thickness,CT)和基于形变场的形态学测量(deformation-based morphometry,DBM)指标,基于功能磁共振成像(functional magnetic resonance imaging,fMRI)数据提取低频振幅(amplitude of low frequency fluctuation,ALFF)、局部一致性(regional homogeneity,ReHo)以及功能连接(functional connectivity,FC)指标。为构建精神分裂症识别模型(即区分精神分裂症患者及健康对照),首先利用机器学习方法基于单指标构建分类器,再融合多模态指标构建融合分类器。分类器的训练及测试分别在数据集内以及跨数据集间进行交叉验证。结果:数据集内的交叉验证结果显示,单指标分类器的精神分裂症诊断准确率最高为86.18%(FC),而多模态指标融合分类器的精神分裂症诊断准确率最高可提升至90.21%。跨数据集的交叉验证结果显示,单指标分类器的精神分裂症诊断准确率最高为69.02%(ReHo),而融合分类器的精神分裂症诊断准确率最高为71.25%。结论:基于功能性指标来识别精神分裂症的性能普遍优于结构性指标,而融合多种模态指标可进一步提升分类准确率,且基于CT、DBM、WM、FC、ReHo五种指标所构建的融合分类器性能最高,具有作为精神分裂症影像学辅助诊断工具的潜力。展开更多
文摘目的:结合多模态磁共振成像和人工智能技术,探索建立精神分裂症影像学辅助诊断工具。方法:利用3个独立数据集,基于每名被试的脑结构磁共振成像(structural magnetic resonance imaging,sMRI)数据提取灰质体积(grey matter volume,GMV)、白质体积(white matter volume,WMV)、皮质厚度(cortical thickness,CT)和基于形变场的形态学测量(deformation-based morphometry,DBM)指标,基于功能磁共振成像(functional magnetic resonance imaging,fMRI)数据提取低频振幅(amplitude of low frequency fluctuation,ALFF)、局部一致性(regional homogeneity,ReHo)以及功能连接(functional connectivity,FC)指标。为构建精神分裂症识别模型(即区分精神分裂症患者及健康对照),首先利用机器学习方法基于单指标构建分类器,再融合多模态指标构建融合分类器。分类器的训练及测试分别在数据集内以及跨数据集间进行交叉验证。结果:数据集内的交叉验证结果显示,单指标分类器的精神分裂症诊断准确率最高为86.18%(FC),而多模态指标融合分类器的精神分裂症诊断准确率最高可提升至90.21%。跨数据集的交叉验证结果显示,单指标分类器的精神分裂症诊断准确率最高为69.02%(ReHo),而融合分类器的精神分裂症诊断准确率最高为71.25%。结论:基于功能性指标来识别精神分裂症的性能普遍优于结构性指标,而融合多种模态指标可进一步提升分类准确率,且基于CT、DBM、WM、FC、ReHo五种指标所构建的融合分类器性能最高,具有作为精神分裂症影像学辅助诊断工具的潜力。
