换一批基于灰质体积支持向量机模型评估肌萎缩侧索硬化及分析相关脑区
Support vector machine model based on gray matter volume for identifying amyotrophic lateral sclerosis and analysis of relevant brain regions
摘要目的 观察基于灰质体积(GMV)支持向量机(SVM)模型评估肌萎缩侧索硬化(ALS)的价值,并分析相关脑区.方法 回顾性分析60例ALS患者(ALS组)及60名健康志愿者(对照组)MR 3D T1WI数据,以基于体素形态学测量方法所获各脑区GMV作为输入特征,采用F-score分析选择对应分类准确率最高的特征构建SVM模型.绘制受试者工作特征曲线,观察SVM模型评估ALS效能;将权重阈值设为前10％,获取对模型贡献最大的灰质脑区.结果 基于排名前40％的GMV特征构建的SVM模型分类准确率最高(82.50％),其对应敏感度、特异度及曲线下面积(AUC)分别为85.05％、80.40％及0.890.左侧中央前回、左侧前扣带回与旁扣带回、右侧颞中回、左侧岛盖部额下回、右侧背外侧额上回、左侧颞极:颞中回、右侧枕上回、右侧眶部额中回、右侧距状裂周围皮层及右侧梭状回依次为对分类模型贡献排名前1～10的灰质脑区.结论 ALS存在特定GMV改变模式,基于GMV SVM模型可有效评估ALS;左侧中央前回为对该模型贡献最大的脑区.
更多相关知识
关键词
肌萎缩侧索硬化磁共振成像灰质机器学习amyotrophic lateral sclerosismagnetic resonance imaginggray mattermachine learning
栏目名称
DOI
10.13929/j.issn.1003-3289.2025.07.005
发布时间
2025-09-29（万方平台首次上网日期，不代表论文的发表时间）
基金项目
陕西省自然科学基础研究计划项目（2022JQ-964）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
