AI模型可以诊断阻塞性睡眠呼吸暂停

根据10月12日在线发表在《睡眠研究杂志》上的一项研究，随机森林(RF)模型在区分阻塞性睡眠呼吸暂停(OSA)患者方面具有与支持向量机(SVM)相似的准确性。

来自加州大学洛杉矶分校的Bo Pang及其同事研究了使用更快，更复杂的机器学习模型(包括SVM和RF)以及脑扩散张量成像(DTI)数据是否可以将OSA与健康对照区分开来。使用3.0特斯拉磁共振成像扫描仪获得了来自59名OSA患者和96名对照组的两个DTI系列。使用DTI数据从每个序列中计算平均扩散率图，并重新对齐和平均，归一化为公共空间，并用于进行模型训练和选择以及OSA预测的交叉验证。

研究人员发现，RF模型显示OSA和对照组的分类精度为0.73，接收器 - 操作员曲线上的曲线下面积(AUC)值为0.85。交叉验证显示，RF模型与用于OSA和控制数据的SVM的拟合相当(精度，0.77;哥伦比亚联合大学， 0.84).

“通过使用脑扩散张量成像数据和机器学习，OSA筛查可以更快，更简单。这种神经成像数据和机器学习的使用将允许早期OSA筛查和干预，最终可以帮助恢复脑组织的变化和功能，“作者写道。