创伤性脑损伤（Traumatic Brain Injury，TBI）可导致长期的躯体、认知和行为功能障碍。简易爆炸装置是造成军人TBI的常见原因。在美国军人的TBI中，82%为轻度TBI（mild TBI，mTBI），而爆炸暴露是主要诱因。关于爆炸相关轻度TBI（blast-related mTBI，bmTBI）的病理生理学机制，目前尚不完全清楚，且其长期后果仍存在争议。mTBI通常无法通过标准诊断方法检测出来，即使是在那些持续出现脑震荡后综合征（Post-Concussive Symptoms，PCS）症状的患者中也是如此。这一缺陷凸显了开发更敏感的、能够揭示主要的病理生理特征技术的必要性，这对于准确诊断和针对性干预至关重要。
近年来，扩散张量成像（Diffusion Tensor Imaging，DTI）已被用于研究mTBI，因为这种损伤的病理生理学机制会破坏白质的微观结构连接，而这些连接在常规解剖磁共振成像中是无法观察到的。从各向异性扩散特性中得出的常见指标包括部分各向异性（Fractional Anisotropy，FA）、平均扩散率（Mean Diffusivity，MD）、轴向扩散率（Axial Diffusivity，AD）和径向扩散率（Radial Diffusivity，RD）。尽管一些研究报告了健康对照组bmTBI队列之间在扩散指标模式上存在显著差异，但各研究之间的结果并不一致，而且，许多研究纳入了患有共病的bmTBI参与者，这些共病可能影响DTI结果。此外，DTI分析方法在各研究之间也有所不同。综上所述，这些因素都可能影响DTI结果。
尽管DTI能够在群体水平上检测到mTBI中的白质异常，但其较低的敏感性（18–41%）限制了其在个体诊断中的应用。此外，由于缺乏诊断的敏感性，需要评估整个大脑中白质束的多个DTI指标的分析方法，以了解来自不同大脑区域的指标的最佳组合，从而更好地区分mTBI患者与对照组。在这方面，机器学习（Machine Learning，ML）方法可能为开发神经影像学数据的个性化应用铺平道路。其中一种方法是支持向量机（Support Vector Machines，SVM），它能够很好地处理与多变量数据集相关的分类挑战，尤其在医学数据集样本数量少的情况下。
研究利用SVM建模，从多个白质束的DTI指标中找出最佳组合，以最好地区分亚急性/慢性bmTBI参与者和健康对照组（Healthy Controls，HC）之间的白质异常。研究通过基于体素的纤维束分析来选择与临床相关的建模特征，这些分析确定了五个DTI指标在整个白质束中的组间差异，这些指标共同阐明了白质损伤的发病机制。随后，对这些阈值化簇的指标应用了带有交叉验证的SVM模型，以确定最佳分类每位参与者为bmTBI或HC的共识特征集，这些特征可能为未来的验证研究提供一个有前景的诊断模型。