识别功能的创伤性脑损伤的生物标志物
阅读时间:
文摘
背景:
我们已经探讨了潜在的前额叶血流动力学生物标志物与创伤性脑损伤(TBI)描述对象采用多元机器学习方法和引入新的任务相关血流动力学反应检测紧随其后的是一组启发式搜索最优的血流动力学特性。为了实现这一目标,一组的血流动力学反应31健康对照组,30慢性创伤性脑损伤的受试者被记录为他们做了一个复杂的任务。
方法:
确定最优的血流动力学特性,我们认为11特性和创伤性脑损伤的特征对象的组合。我们调查的意义功能利用机器学习分类算法取得的所有可能的组合特性根据他们的预测能力。
结果与结论:
所确定的最佳特性元素导致分类精度,灵敏度,和特异性为85%,85%,和84%,分别。通过功能分类的改进实现了创伤性脑损伤的主题分类组合。它所指的主要优势的多变量分析常用的单变量分析表明,单独的特性无关的描述数据结合使用时可能成为相关。我们还进行了时空分类识别区域内的前额叶皮层(PFC)在区分创伤性脑损伤和健康受试者的贡献。正如预期的那样,Brodmann地区(BA) 10 PFC中的孤立的地区健康受试者(与受试者创伤性脑损伤),活动主要血流动力学的高复杂性的任务。总体而言,我们的研究结果表明,识别时间和时空特性从PFC的血流动力学活动与创伤性脑损伤的分类科目的有前途的生物标志物。
参考:
Karamzadeh, N。Amyot F。肯尼,K。安德森,。Chowdhry F。Dashtestani, H。,。Gandjbakhche, a . h (2016)。机器学习的方法来识别功能生物标记在人类前额叶皮层为个人使用功能性近红外光谱与创伤性脑损伤。大脑和行为,6 (11)。doi:10.1002 / brb3.541
广告
