利用机器学习和弥散张量成像（DTI）及神经纤维方向分散和密度成像（NODDI）对慢性创伤性脑损伤进行分类：一项复制与拓展研究

目录

1. 研究背景

2. 研究方法

2.1 样本选择

2.2 评估工具

2.3 DTI和NODDI成像

2.4机器学习分类

2.5数据分析

3. 研究结果

3.1 基于FA的分类结果

3.2 基于NODDI ODI的分类结果

3.3 基于NODDI Viso的分类结果：

3.4 错误分类的参与者特征分析：

3.5 综合分析

4. 结论与讨论

5. 局限性与未来展望

---

1. 研究背景

创伤性脑损伤（TBI）是全球重要的健康问题，每年约有6900万人遭受TBI。在TBI的急性阶段，损伤主要发生在髓鞘化的白质纤维束内，这些纤维束连接大脑不同区域并支持神经认知功能。急性TBI期间的生物力学力量（如大脑在颅骨内的快速加速和减速）会导致弥漫性轴索损伤（DAI）或白质纤维束内轴突的剪切。然而，TBI不仅反映急性损伤后的恢复，还被认为是一种慢性且可能具有神经退行性的疾病。例如，在急性TBI后，特定蛋白质（如β-淀粉样蛋白）会在脑组织内积累，导致慢性阶段的神经退行性过程，如注意力难以集中和记忆困难。此外，患有急性和慢性TBI的个体表现出不同的白质结构完整性异常，这些异常可以通过扩散张量成像（DTI）指标来量化，其中分数各向异性（FA）是常用指标。然而，FA在区分急性和慢性TBI方面存在局限性，尤其是在含有交叉纤维的白质纤维束中，FA值可能被低估。因此，研究者需要探索更可靠的白质结构完整性测量方法，以更好地识别和分类慢性TBI患者。

 

2. 研究方法

研究采用机器学习方法，结合弥散张量成像（DTI）和神经纤维方向分散和密度成像（NODDI）技术，对慢性创伤性脑损伤（TBI）进行分类。研究基于一个大型法医数据库，样本为160名男性囚犯，其中80名有自我报告的慢性TBI病史（TBI+），80名无TBI病史（TBI−）。研究使用线性支持向量机（SVM）模式分类器，以DTI中的分数各向异性（FA）和NODDI中的方向分散指数（ODI）及各向同性体积（Viso）作为特征，对两组进行分类分析。研究方法具体步骤如下：

2.1 样本选择

从法医数据库中随机选择160名男性囚犯，包括：

(1)80名有慢性TBI病史的囚犯

(2)80名无TBI病史的对照组囚犯

所有参与者均完成DTI扫描，并通过自我报告问卷评估TBI病史。

 

2.2 评估工具

使用修改版的Rivermead脑震荡后症状问卷（RPCSQ）评估TBI病史，包括受伤年龄、后果及意识丧失情况。

使用韦氏成人智力量表（WAIS-III）评估全量表智商（IQ）。

使用修订版Hare精神病检查表评估精神病特征。

使用DSM-IV轴I障碍的结构化临床访谈评估创伤后应激障碍（PTSD）和物质使用障碍（SUDs）。

 

2.3 DTI和NODDI成像

使用1.5T西门子Avanto移动MRI扫描仪获取扩散加权图像。

DTI数据处理包括涡流和运动校正、脑提取、扩散张量估计及FA图生成。

NODDI技术用于估计神经纤维的方向分散指数（ODI）和各向同性体积（Viso），并将其变形到标准模板。