Lineaaristen koneoppimismenetelmien soveltaminen lievien traumaattisten aivovammojen diagnostiikassa

Diagnosis of mild traumatic brain injury (mTBI) is challenging regardless of the high number of cases worldwide. Structural imaging findings are often lacking, and the aberrations in behavior are not specific to mTBI. Most mTBI patients recover rapidly without any prolonged symptoms, but 10-15% suffer from prolonged symptoms. Neurophysiological studies have demonstrated abnormal slow-wave (< 7 Hz) activity in mTBI compared with healthy controls when measured early after the trauma, but the analysis requires specific expertise. In this master's thesis, linear machine learning methods' ability to separate mTBI patients from healthy controls based on their magnetoencephalographic (MEG) brain activity is studied. Three widely used machine learning methods were used: linear discriminant analysis (LDA), support vector machine (SVM), and logistic regression (LR). The machine learning methods were applied on resting-state MEG power spectra (1-88 Hz) from two independent datasets. The results showed that it is possible to separate mTBI patients and healthy controls from each other based on their power spectra with median accuracy of 80-90%. There was no significant difference between the used machine learning methods, and the results were consistent between the two datasets. This suggests good performance of easily applicable linear machine learning methods also for clinical use for finding the patients who may benefit from close follow-up during the recovery period.Lievien traumaattisten aivovammojen (mTBI) diagnostiikka on haasteellista huolimatta tapausten suuresta määrästä maailmanlaajuisesti. Rakenteelliset kuvantamislöydökset puuttuvat usein, eivätkä poikkeamat käyttäytymisessä ole ominaisia lieville aivovammoille. Useimmat lievän aivovamman sairastaneet potilaat toipuvat nopeasti ilman pitkittyneitä oireita, mutta 10-15% kärsii pitkittyneistä oireista. Neurofysiologiset tutkimukset ovat osoittaneet poikkeavaa hidasaaltoaktiivisuutta (< 7 Hz) lievän aivovamman sairastaneilla potilailla terveisiin verrokkeihin nähden, kun mittaus on tehty pian vamman jälkeen, mutta analyysi vaatii erityistä asiantuntemusta. Tässä diplomityössä tutkitaan lineaaristen koneoppimismenetelmien kykyä erottaa lievän aivovamman sairastaneet potilaat terveistä verrokeista näiden magnetoenkefalografisen (MEG) aivotoiminnan perusteella. Käytössä oli kolme perinteistä paljon käytettyä koneoppimismenetelmää: lineaarinen diskriminanttianalyysi (LDA), tukivektorikone (SVM) ja logistinen regressio (LR). Koneoppimismenetelmiä sovellettiin lepotilan MEG tehospektreihin (1-88 Hz) kahdesta riippumattomasta aineistosta. Tulokset osoittivat, että on mahdollista erottaa lievän aivovamman sairastaneet potilaat ja terveet verrokit tehospektriensä perusteella 80-90%:n mediaanitarkkuudella. Käytettyjen koneoppimismenetelmien välillä ei ollut merkittävää eroa, ja tulokset olivat johdonmukaisia kahden aineiston välillä. Tämä viittaa helposti sovellettavien lineaaristen koneoppimismenetelmien hyvään suorituskykyyn myös kliinisessä käytössä, jossa voitaisiin näillä menetelmillä löytää ne potilaat, jotka voisivat hyötyä tiiviistä seurannasta toipumisjakson aikana