哪家治白癜风的医院较好 http://yyk.39.net/bj/zhuanke/89ac7.html
Abstract
Background
将皮质变薄和帕金森病(PD)痴呆(PDD)相关联的组比较结果在其临床环境中的应用中受到限制。
Purpose
使用基于机器学习的模型研究来自MRI的皮质厚度是否有助于在个体水平上预测PD患者从轻度认知障碍(MCI)向痴呆的转化。
MaterialsandMethods
在这项回顾性研究中，纳入了年9月至年11月接受MRI检查的PD和MCI患者。特征是从个随机生成的训练集中的临床和皮质厚度变量中选择的。被选择次或更多次的特征用于训练随机森林和支持向量机模型。每个模型都在个随机重采样的数据集中进行训练和测试，并计算每个模型的个受试者工作特征曲线(AUC)下面积的中位数。模型性能在外部测试集中进行验证。
Results
42名患者进展为PDD（转化者）（平均年龄，71岁±6[标准差]；22名女性），75名患者未进展为PDD（未转化者）（平均年龄，68岁±6；40名女性）.外部测试集中包括四名PDD转化者（平均年龄，74岁±10；四名男性）和20名未转化者（平均年龄，67岁±7；11名女性）。使用皮质厚度变量（AUC范围，0.75-0.83）训练的模型表现出与使用临床变量（AUC范围，0.70-0.81）训练的模型相似的良好性能。使用这两个变量（AUC范围，0.80–0.88）训练模型时，模型性能得到改善。在配对比较中，使用这两个变量训练的模型在所有模型类型中都比其他模型表现出更好的性能。使用这两个变量训练的模型在外部测试集中成功验证（AUC范围，0.69-0.84）。
Conclusion
来自MRI的皮质厚度有助于在个体水平上预测帕金森病患者从轻度认知障碍到痴呆的转化，当与临床变量相结合时，性能得到改善。
Summary
CorticalthicknessfromMRIcanimprovepredictionofconversionfrommildcognitiveimpairmenttodementiainParkinsondiseaseatanindividuallevelwhenintegratedwithclinicalvariables.
KeyResults
Inthediscoverycohort,predictionmodelstrainedwithbothclinicalandcorticalthicknessvariablesfromMRIshowedbetterperformance(areaunderthereceiveroperatingcharacteristiccurve[AUC]range,0.80–0.88)thanthosetrainedwithclinicalvariablesonly(AUCrange,0.70–0.81)orwithcorticalthicknessvariablesonly(AUCrange,0.75–0.83).
Thepredictionmodelstrainedwithbothclinicalandcorticalthicknessvariableswereexternallyvalidated(AUCrange,0.69–0.84).
Corticalthinningintheangulargyrusandolfaction-relatedfrontalareashelpedpredictconversionfrommildcognitiveimpairmenttodementiainParkinsondisease.
Introduction
尽管帕金森病(PD)传统上被认为是一种运动障碍，但现在有几种非运动症状被认为是PD不可或缺的一部分。认知能力减退是PD最常见的非运动症状之一。PD痴呆(PDD)发生在80%以上患有PD20年以上的患者中。轻度认知障碍(MCI)不会像PDD那样影响日常功能，但即使在PD诊断时也普遍存在19%–42%的患者中。具有MCI的PD通常被认为是PDD的危险因素。然而，在认知特征和认知能力下降方面存在很大差异，一些患者进展为PDD，而其他患者保持稳定甚至恢复正常认知。因此，当医生根据预测的风险计划治疗策略，有必要根据PDD发展的风险对PD和MCI患者进行分层。高危患者可能会接受更积极的治疗，并可能从疾病改善治疗中受益。预测风险的知识还可以让我们深入了解PD认知能力下降的病理生理基础。
纵向研究表明，后皮层受累会增加PDD的风险，因为语义流畅度和视觉空间功能下降、后皮层区的代谢降低以及海马和后脑皮层萎缩的PD患者的更有可能发展为PDD。然而，其他研究表明额叶皮质认知能力下降和萎缩与PDD相关。尽管有这些不一致的结果，我们可以假设皮质受累的模式可能是预测PDD的有希望的影像标志物。然而，过去的发现是在组水平进行比较的结果，因此它们在如何预测个体转化为PDD的风险存在局限性。
最近，机器学习越来越多地用于医学成像中的个体水平分类，特别是在脑肿瘤和神经退行性病变研究中。因此，我们旨在开发一种基于机器学习的预测模型，仅使用来自MRI的皮质厚度及结合临床信息，在个体水平上评估PD和MCI患者转变为痴呆症的风险。我们还使用外部测试集研究了预测模型的性能。
MaterialsandMethods
PatientOverview
略，详见原文。
MRIAcquisition
略，详见原文。
CorticalThicknessAnalysis
采用CIVET软件提取78个脑区的平均皮层厚度。详见原文及补充材料。
StatisticalAnalysis
Comparisonofclinicalcharacteristicsandregionalcorticalthickness
皮层厚度的组间比较采用FDR法进行多重比较校正，余无特殊，详见原文。
Featureselectionandtrainingofmachinelearningmodels
作者应用多种特征变量组合（包括临床变量和皮层厚度变量的5种组合）、机器学习算法（包括随机森林、4种核函数（linear,polynomial,radialbasisfunction,andsigmoid）的支持向量机共5种，10折交叉验证）、过采样方法（randomoversamplingexamples和syntheticminorityoversamplingtechnique，重复次）、with/without特征选择（LASSO,10折交叉验证，在次随机生成训练集中被选择及以上次）训练了个模型。详见原文及补充材料。
Modelperformanceandexternaltesting
在discoverycohort每次迭代的测试集中可生成预测概率，应用其计算AUC，可获得每个模型每次迭代的AUC，最终可获得个模型的次迭代的AUC。因为有些模型AUC的分布为偏态分布，因此采用中位数和2.5百分位数的上下限来表述模型的性能。按模型组分分组的模型整体性能用AUC中位数范围表示。
为了识别对PDD转化贡献更大的特征，我们分别从随机森林和支持向量机的线性核模型中提取重采用数据集选择特征的平均重要性和权重。
为了评估模型的泛化性和可移植性，在模型应用于外部验证数据集进行验证。
详见原文。
Results
ClinicalandCorticalThicknessData
Figure1:Flowchartofpatientinclusion.NP=neuropsychologic,PDD=Parkinsondiseasedementia,PD-MCI=Parkinsondiseasewithmildcognitiveimpairment.FeatureSelection
在临床和神经心理学特征中，选择了受教育年限、左旋多巴等效日剂量以及代表视觉空间、语言和视觉记忆、额叶执行、注意和嗅觉功能的特征。皮质厚度特征中，选择了角回、嗅皮层、直回、眶额皮层、前扣带回皮层、海马旁回，初级视觉皮层，和枕回的平均厚度（Figs2,3）。特征重要性和权重总结在FigureE1中。在支持向量机线性核模型中，除了三个临床或皮质厚度特征外，所有特征都显示负权重。因此，具有较低值的患者具有较高的PDD转化概率。相反，左旋多巴等效日剂量及右前扣带回皮层和左海马旁回皮质厚度显示正权重，表明较高的值表明PDD转化的可能性较高。
Figure2:BargraphsshowclinicalandcorticalthicknessfeaturesselectedforclassificationofParkinsondiseasedementiaconvertersandnonconvertersaccordingtofivefeature