周四，2022年10月20日(健康日新闻)——根据10月12日在线发表在《睡眠研究杂志》上的一项研究，在区分阻塞性睡眠呼吸暂停(OSA)患者方面，随机森林(RF)模型与支持向量机(SVM)具有相似的准确性。

加州大学洛杉矶分校的Bo Pang及其同事研究了使用更快、更简单的机器学习模型(包括SVM和RF)和大脑弥散张量成像(DTI)数据是否可以将OSA与健康对照组区分开来。使用3.0特斯拉磁共振成像扫描仪获得59例OSA患者和96例对照组的两个DTI系列。使用DTI数据计算每个系列的平均扩散率图，并将其重新排列和平均，归一化到一个公共空间，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模型对OSA和对照组的分类精度为0.73，接受者-操作者曲线下面积(AUC)值为0.85。交叉验证表明，对于OSA和对照数据，RF模型与支持向量机的拟合具有可比性(准确性，0.77;AUC, 0.84)。

“通过使用脑弥散张量成像数据和机器学习，OSA筛查可以更快、更简单。神经成像数据和机器学习的这种使用将允许早期的阻塞性睡眠呼吸暂停筛查和干预，最终有助于恢复脑组织的变化和功能，”作者写道。

摘要/全文(可能需要订阅或付费)