Akademik Veri Yönetim Sistemi
Ideggyogyaszati szemle, cilt.77, sa.1-2, ss.39-49, 2024 (SCI-Expanded)
Background and purpose:
The aim of the study was to investigate the question: Can MRI radiomics analysis of the periaqueductal gray region elucidate the pathophysiological mechanisms underlying various migraine subtypes, and can a machine learning model using these radiomics features accurately differentiate between migraine patients and healthy individuals, as well as between migraine subtypes, including atypical cases with overlapping symptoms?
. Methods:The study analyzed initial MRI images of individuals taken after their first migraine diagnosis, and additional MRI scans were acquired from healthy subjects. Radiomics modeling was applied to analyze all the MRI images in the periaqueductal gray region. The dataset was randomized, and oversampling was used if there was class imbalance between groups. The optimal algorithm-based feature selection method was employed to select the most important 5-10 features to differentiate between the two groups. The classification performance of AI algorithms was evaluated using receiver operating characteristic analysis to calculate the area under the curve, classification accuracy, sensitivity, and specificity values. Participants were required to have a confirmed diagnosis of either episodic migraine, probable migraine, or chronic migraine. Patients with aura, those who used migraine-preventive medication within the past six months, or had chronic illnesses, psychiatric disorders, cerebrovascular conditions, neoplastic diseases, or other headache types were excluded from the study. Additionally, 102 healthy subjects who met the inclusion and exclusion criteria were included.
. Results:The algorithm-based information gain method for feature reduction had the best performance among all methods, with the first-order, gray-level size zone matrix, and gray-level co-occurrence matrix classes being the dominant feature classes. The machine learning model correctly classified 82.4% of migraine patients from healthy subjects. Within the migraine group, 74.1% of the episodic migraine-probable migraine patients and 90.5% of the chronic migraine patients were accurately classified. No significant difference was found between probable migraine and episodic migraine patients in terms of the periaqueductal gray region radiomics features. The kNN algorithm showed the best performance for classifying episodic migraine-probable migraine subtypes, while the Random Forest algorithm demonstrated the best performance for classifying the migraine group and chronic migraine subtype.
. Conclusion:A radiomics-based machine learning model, utilizing standard MR images obtained during the diagnosis and follow-up of migraine patients, shows promise not only in aiding migraine diagnosis and classification for clinical approach, but also in understanding the neurological mechanisms underlying migraines.
. Background and purpose:A tanulmány célja a következő kérdés vizsgálata volt: A periaqueductalis szürke régió MRI radiomikai elemzése képes-e megvilágítani a különböző migrénaltípusok hátterében álló patofiziológiai mechanizmusokat, és képes-e az ezeket a radiomikai jellemzőket használó gépi tanulási modell a migrénes betegek és az egészséges egyének pontos megkülönböztetésére, valamint a migrén altípusait, beleértve az átfedő tünetekkel járó atipikus eseteket is?
. Methods:A vizsgálatban a betegek első migréndiagnózisa után készült kezdeti MRI-felvételeket elemeztük, és további MRI-felvételeket szereztünk be egészséges alanyokról. Radiomikai modellezést alkalmaztunk a periaqueductalis szürke régió összes MRI-felvételének elemzésére. Az adathalmazt randomizáltuk, és túlmintavételt alkalmaztunk, ha a csoportok között osztály-kiegyensúlyozatlanság állt fenn. Az optimális algoritmuson alapuló jellemzőkiválasztási módszert alkalmaztuk a két csoport megkülönböztetésére szolgáló legfontosabb 5-10 jellemző kiválasztására. A mesterséges intelligencia algoritmusok osztályozási teljesítményét a receiver operating characteristic (ROC) vevő működési karakterisztika analízis segítségével értékeltük a görbe alatti terület, az osztályozási pontosság, a szenzitivitás és a specificitás értékeinek kiszámításához.
A résztvevőknek rendelkezniük kellett az epizodikus migrén, a valószínűsíthető migrén vagy a krónikus migrén igazolt diagnózisával. A vizsgálatból kizártuk az aurás betegeket, azokat, akik az elmúlt hat hónapban migrénmegelőző gyógyszert szedtek, vagy krónikus betegségben, pszichiátriai rendellenességben, cerebrovascularis betegségben, daganatos betegségben vagy más típusú fejfájásban szenvedtek. Emellett 102 egészséges személyt vontunk be a vizsgálatba, akik megfeleltek a beválasztási és kizárási kritériumoknak.
Az algoritmusalapú információnyerési módszer a jellemzők csökkentésére nyújtotta az összes módszer közül a legjobb teljesítményt, az elsőrendű, a szürke szintű méretzóna mátrix és a szürke szintű együttes mátrix osztályok voltak a domináns jellemzőosztályok. A gépi tanulási modell helyesen különítette el a migrénes betegek 82,4%-át az egészséges alanyoktól. A migrénes csoporton belül az epizodikus migrénes – valószínű migrénes betegek 74,1%-át és a krónikus migrénes betegek 90,5%-át sikerült pontosan osztályozni. A valószínű migrénes és az epizodikus migrénes betegek között nem találtunk szignifikáns különbséget a periaqueductalis szürke régió radiomikai jellemzői tekintetében. A kNN algoritmus mutatta a legjobb teljesítményt az epizodikus migrén – valószínű migrén altípusok meghatározásában, míg a Random Forest algoritmus mutatta a legjobb teljesítményt a migréncsoport és a krónikus migrén altípus meghatározásában.
. Conclusion:A migrénes betegek diagnózisa és nyomon követése során nyert standard MR-felvételeket felhasználó radiomikai alapú gépi tanulási modell ígéretesnek bizonyul nemcsak a klinikai megközelítés számára a migrén diagnózisának és osztályozásának segítésében, hanem a migrén hátterében álló neurológiai mechanizmusok megértésében is.
.