10.3760/cma.j.issn.1005-1201.2019.09.010
基于扩散张量成像构建单侧突发感音神经性耳聋机器学习分类模型的可行性
目的 探讨基于扩散张量成像(DTI)构建单侧突发感音神经性耳聋(SSHL)患者与正常人机器学习分类模型的可行性.方法 前瞻性搜集2013年6月至2015年5月华中科技大学同济医学院附属协和医院在耳鼻喉科就诊的未经治疗的SSHL患者84例作为SSHL组,搜集同期无耳部疾病史,行临床纯音测听听力正常的健康志愿者63名作为对照组.所有受试者均行脑部DTI扫描.分别将患者与对照组按照7∶3的比例分成训练集和验证集,即训练集包含58例SSHL患者和44名对照组,验证集包含26例SSHL患者和19名对照组.使用R软件基于DTI数据构建包含各向异性分数(FA)、平均扩散率(MD)、轴向扩散系数(AD)、径向扩散系数(RD)值的向量.使用LASSO回归的机器学习方法进行特征降维,并构建分类模型.使用训练集样本基于多变量logistic分析方法绘制诺模图,使用验证集及ROC下面积(AUC)评估诺模图的预测能力,并通过绘制校正曲线来评估其标定.结果从包含各脑区FA、MD、AD、RD值的200个特征向量中,经过各降维处理后,共保留6个特征,分别为左侧上辐射冠MD值、右侧上额枕纤维束MD值、胼胝体体部AD值、左侧下小脑脚RD值、右侧上辐射冠RD值、右侧内囊后支RD值.单侧SSHL患者的这6个特征值均高于对照组,差异具有统计学意义(P均<0.05).基于此构建二分类模型,并绘制诺模图,训练集敏感度为93.1%(54/58),特异度为72.7%(32/44),准确率为84.3%(86/102),AUC为0.854;验证集敏感度为80.8%(21/26),特异度为84.2%(16/19),准确率为82.2%(37/45),AUC为0.870.诺模图可显著提高对照组与患者的分类效能,其中LASSO方法构建模型评估预测曲线高于其他模型.结论 基于DTI数据的机器学习分类模型,可有效区分单侧SSHL患者与正常人.
听觉丧失、感音神经性、扩散张量成像、机器学习、分类、诺模图、决策曲线
53
国家自然科学基金81701673;湖北省自然科学基金2017CFB796 Fund programs: National Natural Science Foundation of China81701673;Hubei Natural Science Foundation2017CFB796
2019-10-15(万方平台首次上网日期,不代表论文的发表时间)
共5页
767-771