研究探索机器学习分类功能性神经障碍

　　在《神经病学、神经外科和精神病学杂志》上发表的一项研究中，马萨诸塞州总医院功能性神经障碍科创始主任、哈佛医学院神经病学和精神病学副教授David L. Perez博士和其他人研究了脑结构MRI是否有可能成为诊断功能性神经障碍(FND)的临床有用工具。

　　FND是神经病学和精神病学交叉领域的一种常见、昂贵且可能致残的疾病，患者可能会出现身体症状，如异常运动、肢体无力和/或抽搐。

　　研究小组训练了一种机器学习算法，以了解与没有FND的健康受试者或患有精神疾病(例如情绪和焦虑状况)的参与者相比，FND患者的大脑是什么样子，然后测试该算法是否可以使用这些信息来预测某人是否患有FND。

　　这些发现指出了脑结构和功能在FND生物学基础中的重要性。

　　此外，该算法在区分FND患者方面显示了概念验证的潜力，这是研究使用脑结构MRI辅助诊断FND可能性的第一步。

　　他们试图调查是否可以使用经过大脑结构MRI特征训练的监督机器学习来预测个体是否患有功能性神经障碍(FND)。

　　这个问题的产生是由于过去研究FND中灰质差异的研究缺乏临床可翻译性，因为它们大部分依赖于单变量、群体水平的分析，并且报告了异质性的结果。

　　相比之下，这种方法可以检测到多变量脑MRI结构特征的细微差异，并在个体水平上预测FND。

　　他们成功地将患有混合性FND的参与者与健康对照组的参与者进行了分类，其分类率显著高于机会，并且当关注功能性运动障碍亚型时，分类表现变得更加稳健。

　　在将混合FND参与者与精神病学对照组参与者样本进行分类时，他们也取得了统计学上显著的高于概率的准确性，这一发现反映了该领域使用精神病学对照组将结果背景化的首次努力之一。

　　这些发现强调在FND的病理生理学中需要考虑脑结构和功能性神经回路，并建立脑结构MRI作为FND潜在辅助诊断工具的概念验证。

　　接下来的步骤包括样本外复制和多站点分类工作，以建立这些发现的普遍性，以及探索在更大规模数据中数据驱动的子分组的可能性。

　　更多信息:Christiana Westlin等人，使用脑结构MRI特征的功能性神经障碍的机器学习分类，神经病学，神经外科和精神病学杂志(2024)。DOI: 10.1136/jnnp-2024-333499引文:研究探索机器学习分类功能性神经系统疾病(2024,7月24日)从https://medicalxpress.com/news/2024-07-explores-machine-functional-neurological-disorder.html检索2024年7月24日此文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。