利用机器学习预测纳米气泡辅助聚焦超声引起的血脑屏障开放
摘要：使用机器学习方法可可靠地预测超声聚焦和微泡开放血脑屏障 (BBB) 的结果, 这是一种新颖的方法。该研究旨在探索基于机器学习的方法，可可靠地预测超声诱导的BBB开放效果和安全性。 方法: 本研究使用16只雌性大鼠。使用一种声学反馈控制的FUS系统 (f0: 0.5MHz) 进行带有自制纳米泡/Definity的BBB开放。注射埃文斯蓝以验证BBB开放的效果，并收集脑组织进行安全评估。记录声发射信号，预处理并输入三种机器学习模型，预测BBB开放结果。还计算了传统的稳定和惯性空化剂量。 结果: 在测试的机器学习模型中，经修改的支持向量数据描述 (mSVDD) 模型在BBB开放效果和安全性预测中取得了最佳性能，准确率分别为 85.0+/-16.6\% 和 62.5+/-12.8\%。传统的稳定和惯性空化剂量预测的准确性分别为80.0\%和34.3\%。与超谐波泡响应 (0.7-0.8 MHz) 训练的模型相比，整体泡响应 (0-2 MHz) 训练的mSVDD模型在效果预测 (85.0+/-16.6\% vs 76.0+/-8.0\%，p=0.04) 和安全性预测 (62.5+/-12.8\% vs 55.0+/-10.7\%，p>0.05) 上表现更好。同时发现，用纳米泡数据训练的mSVDD模型不能直接应用于 Definity。 结论: 我们的研究发现，利用机器学习和刺激纳米泡的声信号，可以可靠地预测FUS诱导的BBB开放结果。这项研究为FUS-BBB开放结果的预测提供了一种新方法，并具有临床转化潜力。
作者：Wenjing Li, Chenchen Bing, Haixin Dai, Rajiv Chopra, Qian Wang, Bingbing Cheng
论文ID：2306.04106
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2023-06-08