背景：糖尿病是一组代谢性疾病，其特征是由于胰岛素分泌或胰岛素作用缺陷或两者兼而有之而导致的高血糖。糖尿病的慢性高血糖与不同器官的长期损害、功能障碍和衰竭有关，特别是眼睛、肾脏、神经、心脏和血管。随着人口老龄化和人们生活习惯的改变，糖尿病因其高发病率、致残率和死亡率而逐渐成为全球范围内的关键健康问题。有两种类型的糖尿病，1型糖尿病(T1 DM)、2型糖尿病(T2 DM)、妊娠期糖尿病和其他特殊类型的糖尿病。它们是根据病因和临床表现加以区分的。以胰岛素抵抗(IR)和相对胰岛素缺乏为特征的T2 DM是最常见的糖尿病类型，占所有糖尿病类型的90%以上。T2 DM与认知功能障碍之间的关系已经确立。大量研究表明，T2 DM可增加认知损害的风险，甚至可能进展为痴呆症，如血管性痴呆和阿尔茨海默病(AD)。T2 DM与MRI扫描的脑异常有关，包括脑结构和功能异常。脑部小血管疾病的一些MRI标志物，特别是腔隙梗死，在T2 DM患者中更常见。以前的一些研究集中于使用静息状态功能磁共振成像和灌注加权成像来研究T2 DM患者的脑功能变化。此外，人工智能(AI)与传统医学成像相结合可能有助于检测T2 DM患者的认知功能障碍。

放射组学是一个新兴的领域，它涉及从医学图像中提取大量高维可挖掘特征并随后使用人工智能方法进行分析的过程。放射组学的工作流程包括图像采集、感兴趣区域(ROI)分割、特征提取和统计分析，然后根据选定的特征基于ML或深度学习算法构建统计模型。根据临床或生物学问题和一段可用的先验知识，对模型进行调整。在放射学领域，ML和深度学习算法被广泛使用。ML在医学成像中的特殊适用性不仅包括放射组学特征的提取、图像的自动分割、病变的检测和分类以及数据分析，而且还为一些疾病风险预测、诊断、预后、治疗反应监测提供快速和准确的非侵入性生物标志物。然而，基于ML方法的T2 DM患者认知功能障碍的检测缺乏可靠的预测模型。到目前为止，T2 DM患者的认知异常是否与大脑质地有关尚不清楚。

目的：提出基于MRI的ML模型，并评价其预测2型糖尿病(T2 DM)患者认知功能障碍的效果。

方法：对122例T2 DM患者行液体衰减反转恢复(FLAIR)磁共振成像。认知功能评定采用中文版蒙太尔认知评定量表B(MoCA-B)。根据MoCA评分将T2 DM患者分为痴呆(DM)组40例、MCI组52例和认知正常(N)组30例。使用RadCloud平台从MR图像中提取放射组学特征。采用方差阈值、SelectKBest和最小绝对收缩选择算子(LASSO)进行特征选择。在选取特征的基础上，利用k-NearestNeighbor(KNN)、支持向量机(SVM)和Logistic回归(LR)三种分类器构建了ML模型，并采用验证方法提高了模型的有效性。受试者工作特征曲线(ROC)下的面积决定了分类的外观。根据Youden指数最大化的原则确定了最优分类器。

结果：提取了1,409个特征，并将其归结为13个特征作为建立放射组学模型的最优判别因子。在验证集中，ROC曲线显示LR分类器具有最好的预测性能，与支持向量机和KNN分类器相比，曲线下面积(AUC)在DM组为0.831，在MIC组为0.883，在N组为0.904。

图1 特征选择的方差阈值。我们使用方差阈值方法来选择放射组学特征(方差阈值=0.8)，从1,409个特征中选择了344个特征。

图2 在所选功能上选择K Best。我们使用Select K Best方法进一步选择放射组学特征，我们选择了192个特征。

图3 所选要素上的套索算法。(A)套索路径；(B)MSE路径；(C)LASS模型中的系数。使用套索模型，选择了13个与最优Alpha值相对应的特征。

表1 所选放射组学特征及其相关特征组和过滤器的描述。

表2 训练集的KNN、支持向量机和LR分类器的ROC结果。

图4  LR分类方法的ROC曲线。(A)训练集ROC曲线，DM组AUC为0.979.84(敏感度和特异度分别为0.84和0.8，DM组为0.97，N组为0.99)，MCI组为0.92(敏感度和特异度分别为0.93和0.8，DM组为0.97，N组为0.99)，N组为0.926(敏感度和特异度分别为0.75和0.8)，“DM”：0.97，“N”：0.99})；(B)验证集ROC曲线，DM组AUC值为0.831.88(敏感度和特异度分别为0.88和0.93，DM组为0.71，N组为0.95)，MCI组为0.883(敏感度和特异度分别为0.6 4和0.93，DM组为0.71，N组为0.95)，N组为0.904(敏感度和特异度分别为0.67和0.93)，“DM”：0.71，“N\”：0.95})

结论：基于MRI的ML模型有可能预测T2 DM患者的认知功能障碍。与支持向量机和KNN算法相比，LR算法表现出了最好的性能。

原文出处：Xu Z,  Zhao L,  Yin L,et al.MRI-based machine learning model: A potential modality for predicting cognitive dysfunction in patients with type 2 diabetes mellitus.Front Bioeng Biotechnol 2022;10