脳損傷メトリックとしてのネットワークベースの応答機能マトリックス

従来の脳損傷メトリックは、頭/脳全体を単一のユニットとして扱うが、脳反応の分布を特徴付けないスカラーです。ここでは、衝撃誘発性脳ひずみの大きさと分布を特徴付けるために、ネットワークベースの「応答機能マトリックス」を確立します。ネットワークノードとエッジは、それぞれ灰白質領域とその白質相互接続に負傷リスクをエンコードします。メトリックの有用性は、3つの独立した現実世界のデータセットを使用した傷害予測に示されています。それぞれ、ナショナルフットボールリーグ（NFL）とバージニア工科大学の2つの再構築された衝撃データセットがあり、スタンフォード大学の脳震盪と非負担の影響を測定しました。2つの再構築されたデータセットを個別に使用して、すべてのデータセットを1つに組み合わせることにより、休暇の交差検証による損傷予測が行われます。サポートベクターマシンを使用して、ネットワークベースの損傷予測因子は、5つの選択されたパフォーマンス測定（例えば、最大化された5つの選択パフォーマンス測定）にわたって、脳全体（MPS）全体のピーク最大歪み、ピーク線形/回転加速度、ピーク回転速度を含む4つのベースラインスカラーメトリックを一貫してアウトパフォームします。再構築されたNFLデータセットを使用して、それぞれ0.938、0.772、および0.800の対応する正の予測値を伴うMPSおよび回転加速度の0.887対0.774および0.849の精度。十分なトレーニングデータを使用すると、実際の負傷予測は、サンプル内評価の休暇と類似しており、従来のスカラーメトリックよりもネットワークベースの負傷メトリックの潜在的な利点を示唆しています。ネットワークベースの応答機能マトリックスは、脳株をより完全にサンプリングすることにより、スカラーメトリックを大幅に拡張します。これは、将来の怪我パターンの特性評価やターゲットマルチスケールモデリングの促進など、他のアプリケーションを潜在的に可能にする有用なフレームワークとして機能する可能性があります。

Conventional brain injury metrics are scalars that treat the whole head/brain as a single unit but do not characterize the distribution of brain responses. Here, we establish a network-based "response feature matrix" to characterize the magnitude and distribution of impact-induced brain strains. The network nodes and edges encode injury risks to the gray matter regions and their white matter interconnections, respectively. The utility of the metric is illustrated in injury prediction using three independent, real-world datasets: two reconstructed impact datasets from the National Football League (NFL) and Virginia Tech, respectively, and measured concussive and non-injury impacts from Stanford University. Injury predictions with leave-one-out cross-validation are conducted using the two reconstructed datasets separately, and then by combining all datasets into one. Using support vector machine, the network-based injury predictor consistently outperforms four baseline scalar metrics including peak maximum principal strain of the whole brain (MPS), peak linear/rotational acceleration, and peak rotational velocity across all five selected performance measures (e.g., maximized accuracy of 0.887 vs. 0.774 and 0.849 for MPS and rotational acceleration with corresponding positive predictive values of 0.938, 0.772, and 0.800, respectively, using the reconstructed NFL dataset). With sufficient training data, real-world injury prediction is similar to leave-one-out in-sample evaluation, suggesting the potential advantage of the network-based injury metric over conventional scalar metrics. The network-based response feature matrix significantly extends scalar metrics by sampling the brain strains more completely, which may serve as a useful framework potentially allowing for other applications such as characterizing injury patterns or facilitating targeted multi-scale modeling in the future.