无论是运动损伤、鞭伤还是头部撞击，许多轻度脑震荡患者甚至没有意识到，如果不及时治疗，他们的轻伤可能会导致终身严重健康问题。即使患者因受伤去急诊室，据估计，50%-90%的脑震荡病例都没有得到正式诊断，这使他们面临脑出血和认知障碍等危险并发症的风险。
南加州大学维特比工程学院和南加州大学伦纳德戴维斯老年医学学院之间的一项新研究合作利用强大的机器学习模型来预测患者的脑震荡状况。
这项工作由BenjaminHacker(BS'24)领导，目前已发表在脑损伤领域的顶级旗舰期刊《神经创伤杂志》上。
脑震荡是一种创伤性脑损伤，会导致大脑功能暂时改变。Hacker表示，目前脑震荡的临床诊断通常依赖于基本的认知测试，例如格拉斯哥昏迷量表，这是一种用于评估患者意识水平、反应能力和记忆力的工具。然而，许多轻度脑震荡患者从未失去意识，并且可能不会出现传统的认知症状，因此很容易诊断。Hacker表示，现有的测试不够灵敏，无法检测出许多较轻的病例。
“我们看到了一个机会，可以在‘根本不是脑震荡’和严重到可以持续检测到的脑震荡之间找到一个契机，”哈克说道，他是南加州大学维特比工程学院本科生时撰写的这篇论文的作者，现在是莫克家族化学工程和材料科学系的硕士生。
“临床医生，”他补充道，“不一定会为没有任何症状的患者开具影像检查和MRI检查。我们的想法是，这是一种辅助方法，可以在患者出现某些症状但无法仅根据认知测试做出脑震荡诊断时为临床医生提供帮助。”
Hacker表示，他与南加州大学LeonardDavis老年医学学院老年医学、生物医学工程和神经科学副教授AndreiIrimia领导的合作者通过利用健康对照样本和脑震荡患者的MRI脑部扫描数据建立了模型。分类器所基于的成像称为扩散加权成像，它测量液体通过不同连接路径流经大脑的方式。
“这些数据量化了大脑不同区域之间扩散的方向性。它告诉我们这些不同节点之间的联系有多紧密。然后我们使用机器学习开发了一个分类器，”Hacker说。“我们用一个发现样本训练这个分类器，让它知道健康人和受伤人员的连接矩阵有何不同。然后，当我们给它独立的测试样本时，它能够根据大脑连接矩阵中的模式和某些神经通路的强度，检测出哪些受试者是脑震荡的，哪些是健康的。”
Hacker和他的团队发现他们的分类模型效果非常好，在训练和测试样本中都表现出99%的准确率。
“这种方法的准确率比我们见过的任何方法都要高得多，”Hacker说。“我认为这是因为之前没有人设计出我们这种精确的流程，即使用扩散加权成像，将其转化为连接矩阵，然后以定制的方式利用机器学习来发现哪些路径最容易受到头部创伤的影响。这当然是新颖的，因为到目前为止，我们还没有一个足够准确的基于成像的脑震荡分类器可以依赖。”
该分类器是使用贝叶斯机器学习构建的，Hacker将其描述为一种概率系统，它根据先前条件的知识，根据错误分类或误分类概率最小的特征进行分类。
“它使用训练数据来确定你期望从健康人身上看到什么样的模式，以及你期望从受伤的人身上看到什么样的模式，”Hacker说。
作为知名期刊上发表研究成果的主要作者，对一名本科生来说是一项独特的成就。对于Hacker来说，他在春季将返回南加州大学维特比分校攻读材料工程硕士学位，在南加州大学伦纳德·戴维斯老年学学院进行本科研究似乎是一个令人惊讶的途径。
Hacker最初通过Viterbi工程本科生研究中心(CURVE)项目与Irimia实验室配对。他很快发现他的化学工程背景非常适合这种类型的大脑研究。Hacker精通有关流体在各种环境中流动方式的化学工程理论。这些背景知识很好地转化为他很快发现自己专攻的大脑研究，对机器学习和深度学习的迷恋推动了他更好地理解神经连接组的愿望。
“在Irimia的帮助下，我想出了这个想法，并被它吸引，因为了解扩散(水和其他液体移动的一种方式)非常基于化学工程。这是这项研究的核心，也是这些脑部扫描的核心——追踪水在大脑中扩散的方式，”Hacker说。“这对我来说是一个机会，让我能够将我学到的大量有关流体力学和数值分析的知识应用到与课堂上介绍的应用完全不同的东西上。”
研究团队创建的分类器有可能成为可应用于临床的脑震荡诊断平台的基础。
“我们认为这项工作绝对有可能以积极的方式颠覆该领域并产生影响。这对我来说是最令人兴奋的部分。我迫不及待地想看看这会带来什么，”哈克说。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！