» مقالات انگلیسی » Prediction of brain maturity in infants using machine-learning algorithms

Prediction of brain maturity in infants using machine-learning algorithms



شناسه مقاله
10.1016/j.neuroimage.2016.05.029
دریافت مقاله

انگلیسی

Title: Prediction of brain maturity in infants using machine-learning algorithms

Authors: Christopher D. Smyser and Nico U.F. Dosenbach and Tara A. Smyser and Abraham Z. Snyder and Cynthia E. Rogers and Terrie E. Inder and Bradley L. Schlaggar and Jeffrey J. Neil

Journal: NeuroImage

Year: 2016

Abstract:

Abstract Recent resting-state functional {MRI} investigations have demonstrated that much of the large-scale functional network architecture supporting motor, sensory and cognitive functions in older pediatric and adult populations is present in term- and prematurely-born infants. Application of new analytical approaches can help translate the improved understanding of early functional connectivity provided through these studies into predictive models of neurodevelopmental outcome. One approach to achieving this goal is multivariate pattern analysis, a machine-learning, pattern classification approach well-suited for high-dimensional neuroimaging data. It has previously been adapted to predict brain maturity in children and adolescents using structural and resting state-functional {MRI} data. In this study, we evaluated resting state-functional {MRI} data from 50 preterm-born infants (born at 23–۲۹ weeks of gestation and without moderate–severe brain injury) scanned at term equivalent postmenstrual age compared with data from 50 term-born control infants studied within the first week of life. Using 214 regions of interest, binary support vector machines distinguished term from preterm infants with 84% accuracy (p < 0.0001). Inter- and intra-hemispheric connections throughout the brain were important for group categorization, indicating that widespread changes in the brain’s functional network architecture associated with preterm birth are detectable by term equivalent age. Support vector regression enabled quantitative estimation of birth gestational age in single subjects using only term equivalent resting state-functional {MRI} data, indicating that the present approach is sensitive to the degree of disruption of brain development associated with preterm birth (using gestational age as a surrogate for the extent of disruption). This suggests that support vector regression may provide a means for predicting neurodevelopmental outcome in individual infants.

Keywords: Developmental neuroimaging, Functional MRI, Infant, Prematurity, Multivariate pattern analysis

ترجمه فارسی
این متن به صورت خودکار و توسط موتور مترجم ترجمه شده است. برای سفارش ترجمه دقیق به قسمت 'سفارش ترجمه' مراجعه کنید

عنوان: پیش بینی از بلوغ مغز در نوزادان با استفاده از الگوریتم های یادگیری ماشین

نویسندگان: Christopher D. Smyser and Nico U.F. Dosenbach and Tara A. Smyser and Abraham Z. Snyder and Cynthia E. Rogers and Terrie E. Inder and Bradley L. Schlaggar and Jeffrey J. Neil

ژورنال: NeuroImage

سال: ۲۰۱۶

چکیده:
چکیده آخرین وضعیت استراحت کاربردی {MRI} تحقیقات نشان داده اند که بسیاری از مقیاس بزرگ معماری شبکه کاربردی حمایت از موتور، عملکرد حسی و شناختی در جمعیت کودکان و بزرگسالان مسن تر در حال حاضر در term- و شیرخواران قبل از موعد مقرر متولد استفاده از روش تحلیلی جدید است می توانید کمک به ترجمه درک بهتری از اتصال تابعی اولیه از طریق این مطالعات به مدل های پیش بینی از نتیجه عصبی تکاملی یک رویکرد برای دستیابی به این هدف ارائه تجزیه و تحلیل چند متغیره الگو، یک ماشین یادگیری، روش طبقه بندی الگوی خوبی مناسب برای بالا بعدی داده های تصویربرداری این است قبلا اقتباس شده است به پیش بینی بلوغ مغز در کودکان و نوجوانان با استفاده از ساختاری و استراحت {MRI} داده دولت عملکردی در این مطالعه، ما ارزیابی استراحت {MRI} داده دولت کاربردی از ۵۰ نوزاد-زودرس متولد (متولد در ۲۳-۲۹ هفته بارداری و بدون آسیب متوسط ​​شدید مغزی) اسکن در مدت معادل سن postmenstrual در مقایسه با داده ها از ۵۰ نوزاد کنترل مدت متولد مورد مطالعه در هفته اول زندگی با استفاده از ۲۱۴ مناطق مورد نظر، باینری پشتیبانی ماشین آلات بردار مدت ها از نوزادان نارس با ۸۴٪ دقت (P u0026 lt؛ بدون ۰۰،۰۰۱) درون و داخل نیمکره اتصالات در سراسر مغز برای طبقه بندی گروه مهم بود، نشان می دهد که تغییرات گسترده در معماری شبکه عملکردی مغز را در ارتباط با تولد نارس قابل تشخیص با رگرسیون مدت معادل سن بردار پشتیبانی فعال تخمین کمی سن تولد حاملگی در تک افراد تنها با استفاده از معادل مدت استراحت {MRI} داده دولت منظوره، نشان می دهد که روش ارائه شده را حساس به درجه ای از اختلال در رشد مغز در ارتباط با تولد زودرس است (با استفاده از سن حاملگی به عنوان یک جانشین برای میزان اختلال)این نشان می دهد که رگرسیون بردار پشتیبان ممکن است وسیله ای برای پیش بینی نتیجه عصبی در نوزادان فرد ارائه
کلمات کلیدی:   تصویربرداری عصبی رشد و نمو، MRI عملکردی، نوزادان، نوزاد نارس، چند متغیره تجزیه و تحلیل الگوی

سفارش ترجمه

سفارش ترجمه

توانایی ترجمه

توانایی ترجمه

  • فیلد های زیر را به عنوان نمونه کار ترجمه کنید. دقت کنید که کیفیت ترجمه در انتخاب شما به عنوان مترجم این مقاله موثر است.


دریافت مقاله