Detecting mild traumatic brain injury from MEG data using normative modelling and machine learning

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu | Master's thesis
Date
2021-06-14
Department
Major/Subject
Complex Systems
Mcode
SCI3060
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
56
Series
Abstract
Mild traumatic brain injury (mTBI) is still one of the most challenging neurological conditions to objectively assess and diagnose due to its diverse and nonspecific posttraumatic symptoms. These symptoms can negatively affect the quality of life of the patients for months or even years after the trauma. While several studies have discovered possible indicators of mTBI using functional neuroimaging methods, univariate measures are usually significant only at group level and thus multivariate machine learning approaches hold great potential in detecting individual mTBI patients. In my master’s thesis, I used a supervised machine learning method based on the power spectra computed from magnetoencephalography (MEG) measurements of 25 mTBI patients and 20 healthy controls, with a goal of automatically predicting mTBI. A normative modelling approach with a large cohort of healthy subjects as reference data was used for feature engineering to address the heterogeneity of the condition. The classifier was able to distinguish mTBI patients from controls with a satisfactory accuracy of 79\%. Inspection of the model revealed high activation in the theta (4--8 Hz) frequency band being a significant indicator of mTBI, which is in line with earlier studies. Although further research is needed due to the small amount of data, the method holds promise to help identify mTBI while providing tools for interpreting the predictions. In the future, similar approaches could be used in the context of a large normative neuroimaging database to automatically detect various pathological patterns.

Yleisyydestään huolimatta lievät aivovammat (mTBI) ovat haastavia diagnosoitavia, sillä vamman jälkeiset oireet ovat hyvin vaihtelevia ja epäspesifejä eikä poikkeavuuksia usein havaita aivojen rakenteellisissa kuvauksissa. Jälkioireet voivat kuitenkin heikentää aivovammapotilaiden elämänlaatua kuukausia tai jopa vuosia tapaturman jälkeen. Vaikka useissa tutkimuksissa on löydetty mahdollisia mTBI:n indikaattoreita funktionaalisilla aivokuvantamismenetelmillä, potilaiden ja terveiden koehenkilöiden erottelu yksittäisten piirteiden perusteella onnistuu vain ryhmätasolla, joten vamman havaitsemiseen yksilön tasolla tarvitaan moniulotteisia koneoppimismenetelmiä. Tässä diplomityössä hyödynnän normatiivisen mallintamisen lähestymistapaa ja magnetoenkefalografiamittauksista (MEG) laskettuja tehospektrejä 25 mTBI-potilaan ja 20 terveen koehenkilön automaattiseen luokitteluun. Normatiivisena viiteaineistona käytän suurta joukkoa eri tutkimuksen yhteydessä mitattuja terveitä koehenkilöitä ja luokittelualgoritmina tukivektorikonetta. Luokittelija kykeni tunnistamaan aivovammapotilaat 79 \%:n tarkkuudella opetusaineiston pienestä koosta huolimatta. Tulkittaessa luokittelijan päätöksiin vaikuttavia piirteitä ilmeni, että matalataajuuksinen theta-kaistan (4--8 Hz) aktiviteetti oli yleisesti tärkein merkki aivovammasta, mikä on linjassa aiempien tutkimusten kanssa. Menetelmää voi pitää lupaavana mTBI:n tunnistamiseen epäselvissä tapauksissa. Tulevaisuudessa vastaavaa menetelmää voisi hyödyntää suuren normatiivisen aivokuvantamistietokannan yhteydessä erilaisten patologisten merkkien automaattiseen tunnistamiseen.
Description
Supervisor
Parkkonen, Lauri
Thesis advisor
Liljeström, Mia
Keywords
mild traumatic brain injury, MEG, normative modelling, machine learning, support vector machine, classification
Other note
Citation