基于弥散张量磁共振脑影像的神经性厌食症机器学习分类研究.pdf

【基于弥散张量磁共振脑影像的神经性厌食症机器学习分类研究】 这篇研究主要探讨了如何利用机器学习技术来分析神经性厌食症（AN）患者的脑部影像数据，以区分这类患者与健康对照者。研究选择了2017年6月至2019年12月期间在四川大学华西医院就诊的24名AN患者为实验组，同时招募24名健康对照者。研究者采集了两组的一般人口学信息以及大脑弥散磁共振图像，并从中提取了四个关键的弥散张量参数：各向异性（FA）、平均扩散率（MD）、轴向扩散率（AD）和径向扩散率（RD）作为机器学习的特征。 通过对这四种参数的机器学习模型进行分析，研究发现： 1. FA模型的AUC（曲线下面积）为0.663，显示出左侧海马、中脑和丘脑的差异； 2. MD模型的AUC为0.883，差异脑区包括中脑、海马旁回和海马； 3. AD模型的AUC为0.888，差异出现在中脑、左侧海马旁回和海马； 4. RD模型的AUC最高，达到0.920，差异区域在中脑、左侧海马和脑腓月氐体； 5. 结合FA、MD、AD和RD的综合模型AUC同样为0.883，差异脑区扩展到海马、中脑、脑干、丘脑和腓月氐体。 研究结果表明，通过机器学习建立的这些数据模型能够在一定程度上区分AN患者与健康对照者。特别是海马、脑腓月氐体、中脑、丘脑等大脑白质区域的弥散张量参数，具有成为AN脑影像学标志物的潜力。 关键词：神经性厌食症、弥散张量成像、机器学习 这项研究对于理解AN的病理机制和潜在诊断标记物提供了新的见解，未来可能有助于开发更精准的诊断工具和治疗方案。弥散张量成像技术结合机器学习的应用，可以揭示大脑微观结构的变化，进一步加深对AN这类心理障碍的认识。此外，研究还引用了相关的参考文献，为该领域的专业人士提供了深入研究的指引。