[发明专利]基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能的方法

说明书

本发明提供了基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能的方法，涉及功能预测方法技术领域。本发明通过对痉挛型脑瘫儿童进行粗大运动功能分级系统评估；使用FSL软件对痉挛型脑瘫儿童的扩散张量成像数据处理得到各向异性分数；运用随机森林对T2加权液体衰减反转恢复成像评分表中的评分项及各向异性分数值进行特征筛选，并分别构建粗大运动功能预测模型；采用受试者工作特征曲线分析比较两种模型之间的预测效能，建立预测痉挛型脑瘫儿童粗大运动功能的MRI列线图；该预测方法有利于确定责任病灶；由基于T₂‑加权液体衰减反转恢复特定部位评分组成的列线图可初步预测痉挛型脑瘫儿童粗大运动功能，进而帮助临床医生制定治疗方案。

技术领域

本发明涉及功能预测方法技术领域，尤其涉及基于MRI列线图预测痉 挛型脑瘫儿童粗大运动功能的方法。

背景技术

脑性瘫痪(Cerebral palsy,CP)是儿童残疾最常见的原因，全世界大约 每1000个活产儿中有2-3个发展成为脑瘫。在所有CP亚型中最常见的是 SCP。它包括产前发育期间发生的一系列非进行性脑损伤，常导致运动功能 受损等。与一般人群相比，CP儿童的生活及社会参与度与运动功能损伤的 严重程度成比例持续降低，其主要体现在粗大运动功能发育较迟，以及姿 势控制能力的下降。但目前对CP儿童粗大运动功能损伤评估及机制还尚不确切。

粗大运动也称大运动，包括颈肌和腰肌的平衡动作以及爬行走、跑掷 跳等动作。目前最常用于评估脑瘫儿童粗大运动功能的量表为粗大运动功 能分级系统(Gross MotorFunction Classification System,GMFCS)。但 GMFCS的评估依据具有年龄依赖性，导致处于年龄临界点的脑瘫儿童粗大 运动功能无法准确评定。并且生长期儿童粗大运动功能不断变化使GMFCS 评估结果不稳定。

MRI具有高对比度分辨率且无辐射的优点，是广泛使用的成像模式， 并广泛用于评估脑瘫儿童大脑损伤。结构磁共振成像(structural magnetic resonance,sMRI)易于获得，且显示88％的脑瘫儿童存在颅脑异常。基于sMRI的大脑病灶可用于评估脑损伤和预测功能结局。在SCP研究中，FA 是最常用的具有临床意义的DTI指标且通过了可靠性分析。有大量的研究 证实在CP儿童中颅脑FA值广泛减低，且与粗大运动功能密切相关，并可 作为预测CP的潜在标志物。尽管存在这种可能性，但脑损伤分类及FA值 的广泛性不足以准确解释在脑瘫儿童中观察到的损伤变异性，不能明确与 运动功能相关的责任病灶，为临床实践提供的信息有限。运用机器学习的 RF算法有望解决这一大问题。RF算法是一种基于多棵决策树组合的集成 学习方法。其基础分类器单元是决策树，最终分类结果是由多棵决策树通过投票的方式确定。这种利用多个基模型组合成一个模型的学习方法，能 够表现出优于传统分类算法的准确率和稳定性。此外，RF具有在分类任务 中可进行特征重要性评估的优点，即通过计算每个特征的重要性值，以便 除去冗余特征，找到对该类任务最相关的特征，从而提高分类准确度。近 年来RF算法广泛应用于许多科学领域和神经系统疾病，但其在CP预测中 的应用较少。

在本研究中我们利用随机森林的特征重要性评估及模型诊断效能指标 -AUC值进行特征筛选。列线图(nomogram)是预测统计模型的图形描述， 已被用于评估各种疾病结局。已有研究证实列线图比其他工具有更好的性 能特征。本发明旨在通过RF方法筛选MRI客观指标，并纳入列线图构建 CP患儿粗大运动功能预测模型，进而判断CP患儿粗大运动功能损伤程度， 并探索SCP儿童颅脑中与粗大运动功能障碍相关的责任病灶。

发明内容

本发明针对现有技术的不足，提供了基于MRI列线图预测痉挛型脑瘫 儿童粗大运动功能的方法。

本发明通过以下技术手段实现解决上述技术问题的：

本发明提供了一种基于MRI列线图预测痉挛型脑瘫儿童粗大运动功能 的方法，包括以下步骤：