基于机器学习的阻塞性睡眠呼吸暂停症中青年男性患者神经影像特征识别：一项多模态MRI研究

《Sleep and Breathing》：Machine learning identification of neuroimaging signatures in young and middle-aged male patients with obstructive sleep apnea: a multimodal MRI study

　　

摘要

研究目的

本研究旨在构建并验证一种基于神经影像学的综合模型，用于识别年轻和中年男性中患有严重阻塞性睡眠呼吸暂停且伴有严重氧饱和度下降（ODI≥30次/小时）的患者。其主要目标是明确与OSA引起的缺氧状态相关的神经影像学特征。

研究方法

研究共分析了111名患者的数据。初始特征集包括了50 Gy下的灰质结构指标、7项动态功能连接时间指标以及年龄、BMI等关键人口统计因素。首先通过变量重要性度量标准（VIM）运用随机森林算法进行特征筛选，随后再利用支持向量机（SVM）对患者进行分类，识别出那些ODI≥30次/小时的严重OSA患者。

研究结果

最终模型包含了28项特征（2项人口统计特征、2项动态功能连接特征以及24项结构特征）。该模型的准确率为70.91%，召回率为95.07%，精确率为72.25%，F1值为81.68%，AUC-ROC值为0.798。当按照VIM＞0.05的标准进行特征筛选后，剩余20项特征，模型的准确率提升了2.7%，同时达到了最佳的召回率97.50%和AUC值0.813。

研究结论

本研究建立了一种基于神经影像学的框架，通过整合灰质结构特征和动态功能连接特征，用于识别那些患有严重阻塞性睡眠呼吸暂停且氧饱和度严重下降的患者。模型所选特征与负责记忆、注意力等认知功能的脑区及神经网络存在关联，这说明该模型能够捕捉到与OSA引起的缺氧状态相关的具有神经生物学意义的模式。