Аn intelligent system for analysing migraine with typical aura using cortical structural magnetic resonance data

[К. Митровић]

107 str.

Електротехника и рачунарство - Интелигентни системи / Electrical and computer engineering - Intelligent systems

Ово истраживање је имало за циљ да тестира технике машинског учења како би се извршило разликовање здравих особа од оних које пате од мигрене са ауром, као и пацијената са једноставном од оних који имају сложени облик ове мигрене. Поред тога, циљ истраживања је тестирање алгоритама машинског учења за предвиђање скора комплексности мигрене са ауром (МАКС). Подаци добијени магнетном резонанцијом (МР) церебралног кортекса (дебљина, површина, запремина, средња Гаусова кривина и индекс савијања) прикупљени су од испитаника и обухватају 340 различитих обележја кортекса. За сваког испитаника са мигреном са ауром одређен је и просечан МАКС скор. Резултати показују да модел машинског учења заснован на линеарној дискриминантној анализи и структуралним МР подацима церебралног кортекса остварује тачност 97% приликом детекције особа са мигреном са ауром и успешно класификује подтипове мигрене са ауром са тачношћу од 98%. Поред тога, идентификовани су скупови обележја релевантних за ове класификације. За решавање проблема предикције МАКС скора, најуспешнији модел је постигао коефицијент детерминације од 0,89 и заснива се на методи омотача за селекцију атрибута и методи потпорних вектора. Резултати сугеришу низ кортикалних обележја која показују промене код пацијената са мигреном са ауром у зависности од сложености ауре. Предложени модели показују значајан потенцијал што може да пружи основу за будуће студије и развој дијагнозе и лечења мигрене са ауром.

This research aimed to test machine learning techniques to distinguish healthy individuals from those suffering from migraine with aura, as well as patients with simple from those who have a complex form of this migraine. Also, the aim of the research is to test machine learning algorithms for predicting the migraine with aura complexity score (MACS). Magnetic resonance (MR) data of the cerebral cortex (thickness, area, volume, mean Gaussian curvature, and bending index) were collected from subjects and included 340 different cortical features. The average MACS score was determined for each subject with migraine with aura. The results show that a machine learning model based on linear discriminant analysis and structural MR data of the cerebral cortex achieves an accuracy of 97% when detecting individuals with migraine with aura and successfully classifies subtypes of migraine with aura with an accuracy of 98%. In addition, sets of features relevant to these classifications were identified. For solving the MACS score prediction problem, the most successful model achieved a coefficient of determination of 0.89 and is based on the wrapper method for feature selection and the support vector machines method. The results suggest a number of cortical features that show changes in patients with migraine with aura depending on the complexity of the aura. The proposed models show significant potential that can provide a basis for future studies and development of diagnosis and treatment of migraine with aura.

мигрена са ауром, машинско учење, магнетна резонанција, вештачка интелигенција, класификација, регресија, предикција, линеарна дискриминантна анализа, метода потпорних вектора

migraine with aura, machine learning, magnetic resonance imaging, artificial intelligence, classification, regression, prediction, linear discriminant analysis, support vector method

004.85:616.857(043.3)

Tekst