文摘
摘要目的:本研究的目的是开发一个算法合并轻度创伤性脑损伤患者MRI指标分类(mTBI)和控制。
方法:这是一个机构审查委员会批准了,健康保险携带和责任Act-compliant前瞻性研究。我们招募mTBI患者和健康对照组在急诊科和一般人群。我们获得的数据在3.0 t西门子三个磁铁,包括传统的脑成像,静息状态功能磁共振成像,diffusion-weighted成像,和磁场相关(MFC),使用下面的MRI和multifeature执行分析指标:意思是峰度(可)丘脑、丘脑的MFC和额叶白质,丘脑皮层的静息状态的网络,和5区域灰质和白质卷包括前扣带和左额叶和颞波兰人。特征选择是使用minimal-redundancy执行最大关联。我们使用分类器包括支持向量机、朴素贝叶斯、贝叶斯网络、径向基网络和多层感知器测试最大的准确性。
结果:我们研究了24 mTBI患者和26所控制。最好的单一特征分类使用丘脑可产生74%的准确率。Multifeature分析收益率80%的准确率使用完整的特性集,并使用minimal-redundancy准确率可达到86%最大关联特征选择(可丘脑,前扣带卷,丘脑的厚度、丘脑皮层的静息状态的网络,丘脑微观MFC,和性)。
结论:使用diffusion-weighted Multifeature分析成像,MFC, fMRI,容量说明可能有助于患者的分类mTBI相比,基于最优控制的特征选择和分类方法。
证据的分类:这项研究提供了第三类证据分类算法使用多个核磁共振特性准确识别患者mTBI所定义的美国国会的康复医学与健康对照组相比标准。
术语表
- ACRM=
- 康复医学的美国国会;
- MFC=
- 磁场相关;
- 可=
- 意思是峰度;
- mRMR=
- minimal-redundancy最大关联;
- mTBI=
- 轻度创伤性脑损伤;
- 支持向量机=
- 支持向量机
轻度创伤性脑损伤(mTBI)是一个日益严重的公共卫生问题。120 -百分之三十的患者有持续的症状后损伤导致严重残疾。2的一个主要障碍是缺乏适当的治疗策略的发展一个准确和客观的手段建立诊断。
目前,几种不同的定义mTBI存在(世界卫生组织,3美国国会的康复医学(ACRM),4疾病控制和预防中心5国防部和退伍军人事务部门6)。有通用的协议,一个统一的、客观的定义是必要的。7,8此外,大多数分类计划依赖于格拉斯哥昏迷评分分数,9最近认为不足作为创伤性脑损伤的单分类器由国家神经疾病和中风研究所提出,神经影像有更大的作用在mTBI的分类方案。10最近的工作使用MRI显示有微妙的地方mTBI后的脑损伤11−23;然而,没有一个成像指标迄今为止被证明是有用的作为一个独立的生物标志物。
在机器学习社区,众所周知,使用多个特性可以提高分类性能比单一特征。这项工作的目的是开发一个计算工具的分类使用minimal-redundancy mTBI最大关联(mRMR)特征选择24从一组更大的特性,包括成像指标我们曾调查,主题和对照组之间是不同的,并使用10倍交叉验证测试分类算法的性能在这个队列。
方法
方法通知分类的证据。
我们试图回答以下研究问题:我们可以开发一个计算工具,准确地分类科目与mTBI ACRM所定义的标准与健康对照组相比?第三类证据级别分配给这个问题。
标准协议的审批、登记和病人同意。
这项工作是一个机构审查委员会批准了的一部分,健康保险携带和责任Act-compliant前瞻性研究,并从所有参与者得到书面知情同意。
参与者。
我们招募受试者mTBI履行ACRM标准,4作为黄金标准分类。核磁共振和创伤的平均时间间隔是23天(3-56天)。损伤机制多种多样,包括7机动车事故,5下降,4攻击,3与体育运动有关,2自行车碰撞,2。患者排除是否有头部受伤之前,已知的神经或精神障碍,如果有一个禁忌MRI。健康对照组与年龄、性别和受教育程度也从一般人群招募。
核磁共振成像。
磁共振成像和分析技术的方法学的细节,包括结构性magnetization-prepared快速捕获梯度回波,25,26静息状态功能磁共振成像,19,27磁场相关(MFC),28,29日和扩散技术,16,17,19,30.曾被描述。总之,实验使用3 t三核磁共振扫描仪(德国西门子医疗解决方案,埃朗根),身体传输线圈,线圈和12-element接收头。我们选择MRI指标根据其与mTBI检测对象之间的细微差别的能力和控制,其中有些曾被发表在一个重叠的队列。16,- - - - - -,19,25
特征选择。
我们选择特性从15成像指标(表1):2一般人口统计学特征,3全球大脑体积特性,和10个区域脑MRI指标基于先前证明mTBI和控制军团之间的区别。16,- - - - - -,19,25所有原始功能被删除的均值归一化每个特性及其SD除以。我们使用特征选择程序,mRMR,24增量地选择最具代表性的子集成像特性,提高相关性,减少冗余。mRMR算法被选中,是因为它选择一个子集的特性不仅是重要的,但独特的从一个另一个。这确保了特征空间是最大和最小的维度信息。mRMR算法选择特性的全套一次。在每一次迭代,mRMR评估候选人的互信息特征从池中剩下的功能和所需的输出平均互信息与选择功能,并选择候选功能,收益率最大区别2互信息的措施。在我们的实现中,mRMR迭代停止当这个互信息的区别是≤0。mRMR算法是基于确定的方法24并实现了使用MATLAB工具箱函数(MathWorks公司,纳蒂克,MA)。
分类算法。
我们使用5种主流分类器的特征选择mRMR:支持向量机(SVM),朴素贝叶斯、贝叶斯网络、径向基网络和多层感知器。的详细描述在每个分类器及其参数表2。为了防止过度拟合,考虑到有限的训练集,为了最大化普遍性,我们使用10倍交叉验证训练分类器。整个数据集随机分为10同样编号,不重叠的子集,每个称为褶皱。九10折叠然后作为训练集,其余十作为验证集,每个分类器是第一个使用训练集训练,然后测试验证集。上述过程重复使用10倍的十倍作为验证集。最后,这个计算方法平均为每个审判记录错误率到达平均错误率交叉验证,用于评估的分类算法。对于每一个分类器,我们发现最优参数通过评估平均交叉验证错误与每个可能的关联参数值选择的搜索空间,并使用导致的最小交叉验证错误。
我们还应用上述方法评价的可实现的性能不同的分类器单独使用最好的特性和mRMR选择功能。
注意,交叉验证过程是提供一个性能措施,预计对看不见的数据。应用表现最好的分类器识别从这个研究在未来nontraining数据,每个人都应该重新训练分类器使用所有可用的训练数据,并使用生成的分类器权重作为最终的分类器。
值得注意的是,使用分类算法描述,没有特定的个体特性的阈值。一个迭代过程到达一个算法,让每一个功能不同的权重优化精度。
结果
我们研究了23个患者(平均年龄33.65±11.21年;6女性和17名男性)和25名健康对照组与年龄、性别和教育(平均年龄36.68±11.5年;13女性和12男性)招募了前瞻性的急诊科一级创伤中心。所有患者数据的特性。关于特征选择,nonredundant的子集,使用列出mRMR信息特征识别表1按照重要性。mRMR选择的第一个特性是丘脑意味着峰度。这一特性被认为是所有中最丰富的特性考虑,因为它有最高的互信息与目标分类的结果。使用不同的标准分类器分类结果所示表3基于最高性能和一致性分类器的参数表示。使用最好的(最丰富)功能,丘脑意味着峰度,分类精度最高的是通过使用径向基网络分类算法。分类使用所有功能实现最高精度使用贝叶斯网络分类算法。使用mRMR选择功能,精度达到最高使用多层感知器分类算法(表4)。
讨论
在这项研究中,我们开发了一个分类算法使用multifeature分析对于识别对象与mTBI通过合并多个特性包括人口、全球和地区成像MRI指标。Multifeature改善分类精度使用最相关的一个子集特性获得通过mRMR特征选择12%单独使用的最重要的指标,并使用所有指标6%。
在医学界,越来越多的人使用机器学习技术的兴趣以信息的方式理解和使用医疗数据包括应用于mTBI。31日我们的研究结果提供了一个初步的一步开发一个诊断工具的分类患者mTBI基于客观的定性指标,补充临床评估,目前的标准治疗。
mRMR代表一个真正独特的样本选择的特性的完整的特性集,当回顾,肯定是独一无二的。全球大脑形态学特性,如颅内体积,灰质,白质,避开了更有针对性的区域脑容量,如正确的前扣带皮层,与抑郁症相关的区域。此外,也就不足为奇了丘脑的微观选择MFC总MFC的排斥,尽管这两个指标显示2数量这两个指标之间的差异相关数学:微观MFC量化磁场在subvoxel层面,非均质性反映再铁被认为是重要的内容,而总MFC还包含来自宏观尺度,这可能与工件。在分类器,mRMR特征选择提高整体分类性能较单独使用一个特性并提高分类的性能在所有除了支持向量机分类器相比,使用所有功能。这支持mRMR特征选择的使用。
我们解决潜在的过度拟合相对较小的数据集在以下3个方面:(1)通过选择特性,我们有效地缩小参数用于分类的数量,(2)交叉验证对nonoverlapped反复训练和测试来评估分类器性能上看不见的数据子集,和(3)对于每一个分类器,我们强加的约束,可训练的参数的数量严格低于训练样本的数量,这被认为是一个阈值,以避免过度拟合。注意,当寻找最优配置对于一个给定的分类器类型(例如,层数和每层节点的数目在神经网络分类器),我们还限制我们的搜索范围反映出上述的考虑。32此外,最好的分类器径向基网络和多层感知器表现良好使用10倍交叉验证,确认没有严重过度拟合。
使用所有功能,没有性能改进是实现使用一个特性与径向基网络和多层感知器分类算法。这可能归因于训练不足,因为可训练的参数的数量在这两种分类器特征的数量成正比。有限的训练数据可供使用所有功能评估,我们无法获得可靠的参数从9 10总可用的训练数据,可以分类准确剩余10个可用的训练数据中的一个,在我们的10倍交叉验证研究。我们观察到,在这种情况下,支持向量机取得了提高精度与所有功能与mRMR选择特性相比,一个独特的分类器中找到。这可以归因于这样一个事实:在SVM参数的数量取决于训练样本的数量和独立的特性。增加功能的数量不会增加维度使用这个特定的分类器。相反,拥有一个高维特征空间似乎提供一个更好的分离超平面的这个问题。我们还指出,获得支持向量机的最优性能c值明显大于其他情况下,有效地限制允许支持向量。
总体而言,我们的研究是有限的,一个相对较小的训练数据集。最优特性集和分类算法需要在一个更大的数据集进行验证。而不是使用mRMR特征选择方法,未来的研究可以比较所有可能的功能对于一个给定的组合分类器使用穷举搜索,甚至有可能是一个更好的分类性能可以达到。另一个限制是,原来的特性集研究主要包括核磁共振指标选择从我们以前的工作之间的差异我们观察研究的基础上,控制人口。这将是有益的使用附加功能,如分数各向异性和susceptibility-weighted影像学表现,以及临床特点,丰富的特征选择和分类算法。我们没有结合临床和认知维度较高的数据,以避免并发症。未来的工作将临床特征和成像,如弥散张量成像和susceptibility-weighted成像有可能达到更高的分类精度。此外,自动提取功能使用数据挖掘技术可以被认为是一个更大的数据集。这项初步研究的结果应该被认为是临时的,和相关临床特点是需要验证的方法。我们的未来目标是招募一个独特的群体测试分类器的有效性和再现性。
这项工作作为试点研究表明特征的组合包括mTBI患者MRI度量可以分类和控制准确率达到了86%,高于74%的最佳单一特征。此外,mRMR特征选择优化这个过程通过选择相关和nonredundant特性。这些结果表明,有承诺使用multifeature分类作为一个可行的工具来帮助mTBI的客观诊断。
作者的贡献
伊冯·w·文森特:起草/修订手稿的内容,包括医学写作内容,分析和解释数据,并研究或设计概念。Yuanyi雪:起草/修订手稿的内容,包括医学写作内容和数据分析或解释。达蒙Kenul:起草/修订手稿的内容,包括医学写作内容和分析或解释的数据,采集的数据。玉林通用电气:起草/修订手稿的内容,包括医学写作内容,分析和解释数据,并研究或设计概念。罗伯特。格罗斯曼:研究或设计概念。尧:起草/修订手稿的内容,包括医学写作内容,分析和解释数据,并研究或设计概念。
研究资金
支持部分由国家卫生研究院的基金UL1 TR000038和2 RO1 NS039135-11。
信息披露
作者报告没有披露相关的手稿。去半岛投注体育官网Neurology.org为充分披露。
脚注
去半岛投注体育官网Neurology.org为充分披露。资金信息和披露认为作者相关的,如果有的话,年底提供这篇文章。
编辑、页面1226年
- 收到了2013年12月31日。
- 接受的最终形式2014年6月12日。
- ©2014美国神经病学学会的半岛投注体育官网
