Eur Radiol。 2018 Mar 29。 doi：10.1007 / s00330-018-5365-7。
李莉1,2, 范文华1,2, 李杰1,2, 李问3, 王杰4, 范Y.5, 叶挺1,2, 郭杰4, 李S.4, 张..4, 程Y.4, 唐..4, 曾H4, 杨莉6,7, 朱..8.
抽象
目的：
调查与静脉勃起功能障碍（VED）相关的脑结构变化以及这些变化与临床症状和病症持续时间的关系，并使用机器学习分类将VED患者与健康对照区分开。
方法：
包括45 VED患者和50健康对照。 进行基于体素的形态测量（VBM），基于道的空间统计（TBSS）以及VED患者和临床变量的相关性分析。 采用机器学习分类方法确定其区分VED患者与健康对照的有效性。
结果：
与健康对照受试者相比，VED患者左中央后回和中央前回的皮质体积显着减少，而仅右中颞回显示皮质体积显着增加。 在广泛的大脑区域中观察到增加的轴向扩散率（AD），径向扩散率（RD）和平均扩散率（MD）值。 与VED患者相关的这些改变的某些区域显示出与临床症状和病症持续时间的显着相关性。 机器学习分析区分患者与对照组的总体准确度96.7％，灵敏度93.3％和特异性99.0％。
结论：
在VED患者中观察到皮质体积和白质（WM）微观结构变化，并且与临床症状和功能障碍持续时间显示出显着相关性。 如机器学习分析所示，一些脑区域的各种DTI衍生指数可被视为VED患者和健康对照受试者之间的可靠区分特征。
关键点：
•多模态磁共振成像可帮助临床医生评估VED患者。 •VED患者显示出与其临床症状相关的大脑结构改变。 •机器学习分析可将VED患者与对照组区别开来，并具有出色的性能。 •机器学习分类提供了DTI临床用途的初步证明。
关键词：
机器学习分类; 多模磁共振成像; TBSS; VBM; 静脉勃起功能障碍
结论：29600478
;
