[發明專利]基于MRI列線圖預測痙攣型腦癱兒童粗大運動功能的方法

在審

• 申請號: 202110682910.2
• 申請日: 2021-06-18
• 公開（公告）號: CN113545766A
• 公開（公告）日: 2021-10-26
• 發明（設計）人: 劉衡;楊陽;黃可忻;李邦國;張體江
• 申請（專利權）人: 遵義醫科大學附屬醫院
• 主分類號: A61B5/055
• 分類號: A61B5/055;A61B5/00
• 代理公司: 合肥東信智谷知識產權代理事務所(普通合伙) 34143
• 代理人: 周亞

本發明提供了基于MRI列線圖預測痙攣型腦癱兒童粗大運動功能的方法，涉及功能預測方法技術領域。本發明通過對痙攣型腦癱兒童進行粗大運動功能分級系統評估；使用FSL軟件對痙攣型腦癱兒童的擴散張量成像數據處理得到各向異性分數；運用隨機森林對T2加權液體衰減反轉恢復成像評分表中的評分項及各向異性分數值進行特征篩選，并分別構建粗大運動功能預測模型；采用受試者工作特征曲線分析比較兩種模型之間的預測效能，建立預測痙攣型腦癱兒童粗大運動功能的MRI列線圖；該預測方法有利于確定責任病灶；由基于T₂?加權液體衰減反轉恢復特定部位評分組成的列線圖可初步預測痙攣型腦癱兒童粗大運動功能，進而幫助臨床醫生制定治療方案。

技術領域

本發明涉及功能預測方法技術領域，尤其涉及基于MRI列線圖預測痙 攣型腦癱兒童粗大運動功能的方法。

背景技術

腦性癱瘓(Cerebral palsy,CP)是兒童殘疾最常見的原因，全世界大約 每1000個活產兒中有2-3個發展成為腦癱。在所有CP亞型中最常見的是 SCP。它包括產前發育期間發生的一系列非進行性腦損傷，常導致運動功能 受損等。與一般人群相比，CP兒童的生活及社會參與度與運動功能損傷的 嚴重程度成比例持續降低，其主要體現在粗大運動功能發育較遲，以及姿 勢控制能力的下降。但目前對CP兒童粗大運動功能損傷評估及機制還尚不確切。

粗大運動也稱大運動，包括頸肌和腰肌的平衡動作以及爬行走、跑擲 跳等動作。目前最常用于評估腦癱兒童粗大運動功能的量表為粗大運動功 能分級系統(Gross MotorFunction Classification System,GMFCS)。但 GMFCS的評估依據具有年齡依賴性，導致處于年齡臨界點的腦癱兒童粗大 運動功能無法準確評定。并且生長期兒童粗大運動功能不斷變化使GMFCS 評估結果不穩定。

MRI具有高對比度分辨率且無輻射的優點，是廣泛使用的成像模式， 并廣泛用于評估腦癱兒童大腦損傷。結構磁共振成像(structural magnetic resonance,sMRI)易于獲得，且顯示88％的腦癱兒童存在顱腦異常。基于sMRI的大腦病灶可用于評估腦損傷和預測功能結局。在SCP研究中，FA 是最常用的具有臨床意義的DTI指標且通過了可靠性分析。有大量的研究 證實在CP兒童中顱腦FA值廣泛減低，且與粗大運動功能密切相關，并可 作為預測CP的潛在標志物。盡管存在這種可能性，但腦損傷分類及FA值 的廣泛性不足以準確解釋在腦癱兒童中觀察到的損傷變異性，不能明確與 運動功能相關的責任病灶，為臨床實踐提供的信息有限。運用機器學習的 RF算法有望解決這一大問題。RF算法是一種基于多棵決策樹組合的集成 學習方法。其基礎分類器單元是決策樹，最終分類結果是由多棵決策樹通過投票的方式確定。這種利用多個基模型組合成一個模型的學習方法，能 夠表現出優于傳統分類算法的準確率和穩定性。此外，RF具有在分類任務 中可進行特征重要性評估的優點，即通過計算每個特征的重要性值，以便 除去冗余特征，找到對該類任務最相關的特征，從而提高分類準確度。近 年來RF算法廣泛應用于許多科學領域和神經系統疾病，但其在CP預測中 的應用較少。

在本研究中我們利用隨機森林的特征重要性評估及模型診斷效能指標 -AUC值進行特征篩選。列線圖(nomogram)是預測統計模型的圖形描述， 已被用于評估各種疾病結局。已有研究證實列線圖比其他工具有更好的性 能特征。本發明旨在通過RF方法篩選MRI客觀指標，并納入列線圖構建 CP患兒粗大運動功能預測模型，進而判斷CP患兒粗大運動功能損傷程度， 并探索SCP兒童顱腦中與粗大運動功能障礙相關的責任病灶。

發明內容

本發明針對現有技術的不足，提供了基于MRI列線圖預測痙攣型腦癱 兒童粗大運動功能的方法。

本發明通過以下技術手段實現解決上述技術問題的：

本發明提供了一種基于MRI列線圖預測痙攣型腦癱兒童粗大運動功能 的方法，包括以下步驟：